Étude d’un système de Vidéo et d’Audio Surveillance sans fil

Coordination scientifique Marion BERBINEAU (INRETS) Sébastien AMBELLOUIS (INRETS)

Étude d’un système de Vidéo et d’Audio Surveillance sans fil

Centre de contrôle

Super Mobile

Centre de contrôle

Super Mobile

... ou comment assurer la continuité d’un service d’aide à la surveillance entre une flotte

de véhicules et l’infrastructure ?

Rapport INRETS N°275 Décembre 2007

Conformément à la note du 04/07/2014 de la direction générale de l'Ifsttar précisant la politique dediffusion des ouvrages parus dans les collections éditées par l'Institut, la reproduction de cet ouvrage estautorisée selon les termes de la licence CC BY-NC-ND. Cette licence autorise la redistribution noncommerciale de copies identiques à l’original. Dans ce cadre, cet ouvrage peut être copié, distribué etcommuniqué par tous moyens et sous tous formats.

(CC BY-NC-ND 4.0)

Attribution — Vous devez créditer l'Oeuvre et intégrer un lien vers la licence. Vous devez indiquer cesinformations par tous les moyens possibles mais vous ne pouvez pas suggérer que l'Ifsttar voussoutient ou soutient la façon dont vous avez utilisé son Oeuvre.

Pas d’Utilisation Commerciale — Vous n'êtes pas autoriser à faire un usage commercial de cetteOeuvre, tout ou partie du matériel la composant.

Pas de modifications — Dans le cas où vous effectuez une adaptation, que vous transformez, oucréez à partir du matériel composant l'Oeuvre originale (par exemple, une traduction, etc.), vousn'êtes pas autorisé à distribuer ou mettre à disposition l'Oeuvre modifiée.

Le patrimoine scientifique de l'Ifsttar

Le libre accès à l'information scientifique est aujourd'hui devenu essentiel pour favoriser la circulation dusavoir et pour contribuer à l'innovation et au développement socio-économique. Pour que les résultats desrecherches soient plus largement diffusés, lus et utilisés pour de nouveaux travaux, l’Ifsttar a entrepris lanumérisation et la mise en ligne de son fonds documentaire. Ainsi, en complément des ouvragesdisponibles à la vente, certaines références des collections de l'INRETS et du LCPC sont dès à présentmises à disposition en téléchargement gratuit selon les termes de la licence Creative Commons CCBY-NC-ND.

Le service Politique éditoriale scientifique et technique de l'Ifsttar diffuse différentes collections qui sontle reflet des recherches menées par l'institut :

• Les collections de l'INRETS, Actes• Les collections de l'INRETS, Outils et Méthodes• Les collections de l'INRETS, Recherches• Les collections de l'INRETS, Synthèses• Les collections du LCPC, Actes• Les collections du LCPC, Etudes et recherches des laboratoires des ponts et chaussées• Les collections du LCPC, Rapport de recherche des laboratoires des ponts et chaussées• Les collections du LCPC, Techniques et méthodes des laboratoires des ponts et chaussées, Guide

technique• Les collections du LCPC, Techniques et méthodes des laboratoires des ponts et chaussées, Méthode

d'essai

www.ifsttar.fr

Institut Français des Sciences et Techniques des Réseaux,de l'Aménagement et des Transports14-20 Boulevard Newton, Cité Descartes, Champs sur MarneF-77447 Marne la Vallée Cedex 2

Contact : [email protected]

http://creativecommons.org/licenses/by-nc-nd/4.0/deed.fr




2 Rapport INRETS n°00

Coordination scientifique Marion Berbineau, Directrice de Recherche, LEOST Sébastien Ambellouis, Chargé de Recherche, LEOST L’Unité de recherche : Laboratoire Electronique, Ondes et Signaux pour les Transports (LEOST) 20 rue Elisée Reclus, BP 317 59666 Villeneuve d’Ascq Cedex - Tél. : 03 20 43 83 31 – Fax : 03 20 43 83 97 Ce rapport est le fruit des recherches menées dans le cadre du projet EVAS (Étude d’un système de Vidéo et d’Audio Surveillance sans fil) du PREDIT. Les auteurs par ordre alphabétique : Sébastien Ambellouis, Chargé de Recherche, LEOST Marion Berbineau, Directrice de Recherche, LEOST Gilles Blanquart, Ingénieur d’Études, LEOST Marc Chenu-Tournier, Ingénieur de Recherche, THALES Communications Hervé Dumortier, Ingénieur de Recherche, LEOST Catherine Fauqueur, Chargée de projets, Transpole Amaury Flancquart, Ingénieur d’Études, LEOST Jean-Pierre Ghys, Assistant Ingénieur, LEOST Jean-François Legrand, Ingénieur de Recherche, MIRIAD Technologies Sylvain Marsault, Ingénieur d’Études, THALES Communications Philippe Mariage, Directeur de GIGACOMM Gérald Moniak, Chargé de Recherche, LEOST Jean-Luc Rouas, Chargé de Recherche, LEOST Ce rapport a bénéficié des commentaires et remarques des référés suivants : Rodolphe Vauzelle, Professeur au laboratoire Signal, Images et Communications de l’Université de Poitiers Xavier Apolinarski, CEA LIST, responsable des partenariats stratégiques du secteur transports et membre du GO9 PREDIT 2002-2007 Institut National de Recherche sur les Transports et leur Sécurité INRETS Service des publications 2, avenue du Général Malleret-Joinville 94114 ARCUEIL CEDEX Tél. : 33 (0)1 47 40 70 74 - Fax : 01 45 47 56 06 www.inrets.fr

© Les collections de l’INRETS N ° ISBN 978-2-85782-657-6 N° ISSN 0768-9756

En application du code de la propriété intellectuelle, l’INRETS interdit toute reproduction intégrale ou partielle du présent ouvrage par quelque procédé que ce soit, sous réserve des exceptions légales

Rapport INRETS n°275 3

Fiche bibliographique

UR (1er auteur) LEOST

Projet n°

INRETS report N° 275

Titre : Étude d’un système de Vidéo et d’Audio Surveillance sans fil Sous-titre ... où comment assurer la continuité d’un service d’aide à la surveillance entre une flotte de véhicules et l’infrastructure ?

Langue Français

Auteur(s) Sébastien Ambellouis, Marion Berbineau, Gilles Blanquart, Hervé Dumortier, Amaury Flancquart, Jean-Pierre Ghys, Gérald Moniak, Jean-Luc Rouas, Marc Chenu-Tournier, Sylvain Marsault, Jean-François Legrand, Philippe Mariage Catherine Fauqueur

Rattachement ext. INRETS-LEOST THALES MIRIAD Technologies GIGACOMM Transpole

Nom adresse financeur, co-éditeur PREDIT – ANR

N° contrat, conv. C05-08 04 K 445

Date de publication Juillet 07

Remarques Résumé Ce rapport présente les résultats des recherches menées afin d’étudier un système d’aide à la vidéo et à l’audio surveillance sans fils dit «intelligent» à embarquer dans les autobus de TRANSPOLE de l’Agglomération Lilloise. Les travaux réalisés sur la partie « audio » se sont focalisés sur la détection automatique des événements de type « cris » (acte d’agression, acte de dérangement) et de type « aérosol de peinture» (graffiti). Le système proposé est fondé sur des techniques de classification supervisée. Le lien sans fil haut débit robuste entre un autobus et le poste de contrôle s’appuie sur le standard WIMAX et les techniques multi antennes ou techniques MIMO. Les recherches menées pour aboutir à la démonstration finale à Lille avec un autobus de Transpole sont décrites dans le document. Le détail de l’architecture du système mis en œuvre ainsi qu’une description des composants utilisés sont donnés. Mots clés Surveillance audio et vidéo embarquée, transmissions sans fil, MIMO, sécurité des transports publics, aide à l’exploitation Nb de pages 187

Prix 15,24 euros

Bibliographie Oui


Publication data form

UR (1st author) LEOST

Projet n° INRETS Report N°275

Title : Study of a wireless video and audio surveillance system Subtitle … or how to ensure service continuity for a surveillance system between urban buses and infrastructure ?

Language French

Auteur(s) Sébastien Ambellouis, Marion Berbineau, Gilles Blanquart, Hervé Dumortier, Amaury Flancquart, Jean-Pierre Ghys, Gérald Moniak, Jean-Luc Rouas, Marc Chenu-Tournier, Sylvain Marsault, Jean-François Legrand, Philippe Mariage Catherine Fauqueur

Affiliation INRETS-LEOST Thales MIRIAD Technologies GIGACOMM Transpole

Sponsor, co-editor, name and address PREDIT-ANR

Contract, conv. N° C05-08 04 K 445

Publication date Notes Summary This report presents the results of the researches performed to develop an « intelligent » video and audio wireless surveillance system embedded in a TRANSPOLE bus of the Lille agglomeration. The works realised on the “audio” system are focused on automatic detection of events such as « shouts » (aggression, disturbances) and « gas sprays» (tags or others). The proposed system is based on supervised classification techniques. The wireless link between the bus and the control centre relies on WIMAX bricks and multiple antennas techniques also called MIMO techniques. The researches performed to obtain the final demonstration organised in Lille with a Transpole bus are described in the document. The details of the system architecture and system components are given. Key Words Embedded audio and video surveillance, MIMO wireless transmissions, security in public transport, exploitation assistance Nb of pages 187

Price 15,24 euros

Bibliography yes


Table des matières

Remerciements............................................................................................................... 9

Synthèse ........................................................................................................................ 11

Introduction ................................................................................................................. 13

Chapitre 1..................................................................................................................... 17

Comment une analyse audio peut-elle compléter une vidéo surveillance intelligente? .................................................................................................................. 17

1. Introduction ........................................................................................................... 17 2. Contexte des travaux.............................................................................................. 18 3. Les bases de données audio ................................................................................... 21 4. Etiquetage manuel et difficultés rencontrées ......................................................... 22 5. Méthode « classique » de traitement ..................................................................... 23 6. Méthode « originale »............................................................................................ 25

6.1. Segmentation en zones d'activité .................................................................... 26 6.1.1. Segmentation automatique....................................................................... 26 6.1.2. Détection de segments d'activité ............................................................. 28

6.2. Cadre de modélisation et de classification...................................................... 28 6.2.1. Extraction des paramètres acoustiques .................................................... 28 6.2.2. Les MMG................................................................................................. 29 6.2.3. Les SVM.................................................................................................. 30

6.3. Classification .................................................................................................. 32 7. Résultats en matière de détection de cri ................................................................ 34

7.1. Description du corpus utilisé dans les expériences ......................................... 34 7.2. Intérêt du pré-traitement ................................................................................. 34 7.3. Intérêt de la classification hiérarchique .......................................................... 35 7.4. Expériences en validation croisée................................................................... 37 7.5. Conclusions et perspectives ............................................................................ 41

8. Résultats en matière de détection du bruit de bombes de peinture........................ 41 8.1. Paramètres ...................................................................................................... 42 8.2. Adaptation aux conditions acoustiques........................................................... 42 8.3. Conclusions .................................................................................................... 43

9. Conclusions et perspectives ................................................................................... 44



10. Bibliographie ....................................................................................................... 46

Chapitre 2 ..................................................................................................................... 49

Techniques MIMO pour un lien sans fil robuste entre un autobus et un poste de contrôle ......................................................................................................................... 49

1. Les télécommunications sans fil pour les transports publics urbains .................... 49 1.1 Le contexte transport........................................................................................ 49 1.2. Les recherches visant l’augmentation des débits de transmission................... 50

2. Les standards de réseaux sans fil pour du haut débit en mobilité.......................... 51 2.1. Classification des systèmes ............................................................................. 51

2.3.3. Le WiMAX ou les normes IEEE 802.16x................................................ 52 3. Etat des recherches sur les techniques MIMO....................................................... 54 4. Le canal de propagation radioélectrique MIMO ................................................... 59

4.1. Introduction..................................................................................................... 59 4.2. Phénomènes physiques caractéristiques d'un canal de propagation ................ 60 4.3. Représentation mathématique du canal MIMO............................................... 61

4.3.1. Représentation classique du canal MIMO................................................ 61 4.3.2. Représentation du canal MIMO par décomposition en canaux propres ... 63

4.4. Capacité d'un canal MIMO ............................................................................. 65 4.4.1. Définition générale de la capacité ............................................................ 65 4.4.2. Paramètres affectant la capacité d'un canal MIMO.................................. 66

4.5. Conclusion ...................................................................................................... 68 5. Modèles de canal MIMO fondés sur la corrélation ............................................... 69

5.1. Introduction..................................................................................................... 69 5.2. Le modèle de Kronecker ................................................................................. 70 5.3. Le modèle de Weichselberger ......................................................................... 71 5.4. Conclusion ...................................................................................................... 73

6. Mesure et modélisation de canaux MIMO réels..................................................... 73 6.1. Les configurations mesurées ........................................................................... 73 6.2. Corrélation spatiale et capacité des canaux mesurés ....................................... 75 6.3. Conclusion ...................................................................................................... 82

7. La chaîne de transmission en simulation ............................................................... 82 7.1. Introduction..................................................................................................... 82 7.2. L'émetteur ....................................................................................................... 83

7.2.1. L'étage codage canal ................................................................................ 83 7.2.2. Modulation et diversité spatiale ............................................................... 84 7.2.3. Rappel sur la modulation OFDM ............................................................. 85

7.3. Les récepteurs ................................................................................................. 88 7.3.1. Le choix des récepteurs à implémenter .................................................... 88 7.3.2. Le récepteur classique .............................................................................. 90 7.3.3. Le turbo récepteur .................................................................................... 90 7.3.4. Description des algorithmes utilisés......................................................... 92

7.4. Comparaison des performances des deux récepteurs dans un canal connu..... 96

Table des matières

7.4.1. Impact du nombre d'antennes de réception dans un canal de Rayleigh ... 96 7.4.2. Transmission dans un canal NLOS fortement corrélé ............................. 97

7.5. Introduction de l'estimation du canal .............................................................. 99 7.5.1. Généralités sur les estimateurs de canaux................................................ 99 7.5.2. Les estimateurs considérés..................................................................... 101 7.5.3. Choix des estimateurs testés .................................................................. 102

7.6. Conclusion .................................................................................................... 105 8. Conclusion ........................................................................................................... 106 9. Bibliographie ....................................................................................................... 107

Chapitre 3................................................................................................................... 115

Le démonstrateur ...................................................................................................... 115

1. Objectifs du démonstrateur.................................................................................. 115 2. Architecture du démonstrateur ............................................................................ 116

2.1 Configuration matérielle de la partie audio/vidéo.......................................... 116 2.2 Configuration matérielle de la partie télécoms .............................................. 118

3. Le module de démonstration RF.......................................................................... 119 3.1. Architecture du démonstrateur en émission.................................................. 119

3.1.1. Matériel.................................................................................................. 119 3.1.2 Logiciel ................................................................................................... 123

3.2. Architecture du démonstrateur en réception ................................................. 126 3.2.1. Le matériel ............................................................................................. 126 3.2.2. Le logiciel .............................................................................................. 130

3.3. Traitement du signal ..................................................................................... 136 3.3.1. Modélisation du signal........................................................................... 136 3.3.2 Estimation de canal LMMSE suivant cette modélisation ....................... 137 3.3.3. Synchronisation des signaux en réception ............................................. 139 3.3.4 Egalisation MMSE pour du multiplexage spatial en émission ............... 147 3.3.5 Correction de phase ................................................................................ 150

3.4. Environnement temps réel ADEOS .............................................................. 151 3.4.1. Description et généralités....................................................................... 151 3.3.2. Modes de Performance .......................................................................... 154 3.4.3. Le Nanokernel Adeos ............................................................................ 155 3.4.4. Insertion d’Adeos................................................................................... 155 3.4.5. Contrôle des interruptions...................................................................... 156 3.4.6. Bouclier d’interruption .......................................................................... 156 3.4.7 DIC ......................................................................................................... 156

4. Résultats des expérimentations............................................................................ 157 4.1. Modem OFDM SISO.................................................................................... 157 4.2. Modem OFDM MIMO 2x2 .......................................................................... 158 4.3. Sondeur de canal MIMO............................................................................... 159 4.4. Taux d’erreurs binaires (TEB) ...................................................................... 164 4.5. Tests en conditions réelles ............................................................................ 165 4.6 Analyse de la propagation pour un déploiement............................................ 168

4.6.1. Outil de simulation................................................................................. 168



4.6.2. Exemples de mesures sur quelques trajets spécifiques........................... 170 4.6.3. Calcul de la couverture radioélectrique du centre ville de Lille ............. 174

4.7. CONCLUSION............................................................................................. 177

Conclusion Générale .................................................................................................. 179

ANNEXES .................................................................................................................. 183

Les algorithmes VQ.................................................................................................. 183 Les k-mans ........................................................................................................... 183

Algorithme LBG (Linde, Buzo, Gray) ...................................................................... 184 L algorithme EM ...................................................................................................... 185

Petit Rappel ...................................................................................................... 185 Algorithme de base .......................................................................................... 185


Remerciements

Les auteurs remercient Rodolphe Vauzelle et Xavier Apolinarski d’avoir

accepté de relire ce rapport et de nous avoir apporté leurs commentaires et remarques. Ils remercient le groupe opérationnel n°9 du PREDIT 2002-2007 qui a soutenu financièrement ce projet via le ministère de la recherche et en particulier Chantal Meilhac du ministère de la Recherche, puis l’ANR et Ludovic Valadier. Un grand merci à Emilie Masson qui a donné beaucoup de son temps pour le démonstrateur final et également à Jean-Pierre Ghys, Amaury Flancquart, Emmanuel Debrauwer, Olivier Delafraye, Bernard Delsinne et Daniel Bourbotte qui ont assuré la logistique de la démonstration du 15 février 2007. Merci aussi à Transpole, partenaire du projet, et tout particulièrement à Mme C. Fauqueur, M. Soffray et leurs équipes.


Synthèse

Une des priorités des opérateurs de transports publics concerne l’amélioration du sentiment de sécurité des passagers et des personnels, et la maintenance des matériels roulants. Ainsi, la vidéo surveillance s'est imposée dans les gares et les couloirs des réseaux. Aujourd’hui, l’installation de systèmes de surveillance embarqués est envisagée. Pour ces systèmes, l’utilisation de l’audio conjointement à la vidéo est une solution tout à fait pertinente. Un des points clef de ces systèmes de réside dans la nécessité de transmettre les informations issues des capteurs audio et vidéo. Il convient de disposer d’un système de reconnaissance automatique d’événements et d'un lien de transmission sans fil capable de supporter des débits importants et d'offrir une qualité de service ne dégradant pas l'information transmise. Le projet EVAS a étudié la manière de répondre à ces deux problématiques et propose aujourd’hui deux solutions préliminaires. Ce rapport décrit la démarche théorique et les résultats obtenus.

Les travaux réalisés sur la partie « audio » se sont focalisés sur la détection automatique des événements de type «cris» (acte d’agression, acte de dérangement) et de type «aérosol de peinture» (graffiti) qui rejoignent les priorités annoncées par les exploitants. Le système proposé est fondé sur des techniques de classification supervisée. Deux stratégies de modélisation ont été testées et comparées. La première, dite génératrice, est fondée sur une modélisation par mélange de lois normales. La seconde, dite discriminante, est une technique à noyau de type «Support Vector Machine».

Le lien sans fil haut débit robuste mis en œuvre entre un autobus et le poste de contrôle repose sur l’utilisation des techniques MIMO et du standard WIMAX 802.16d. Les différentes étapes de développement sont décrites et justifiées. Deux stratégies différentes ont été étudiées en réception sans modification de la partie émission: un récepteur classique et un récepteur itératif. Les principaux algorithmes utilisés sont décrits ainsi que les performances obtenues dans différents canaux de propagation caractéristiques. Le turbo récepteur présente toujours de meilleures performances.

L’architecture du système mis en œuvre pour la démonstration avec un autobus de Transpole de l’agglomération Lilloise ainsi que les différents composants utilisés sont détaillés. La génération des signaux et le traitement en réception sont effectués de façon logicielle sur des PC dédiés. Les logiciels de traitement ont été développés en langage C sous Linux à partir de ceux implémentés en simulation. Les résultats obtenus sont présentés. L’apport du MIMO garantit une amélioration de la robustesse de la transmission radio, notamment dans le contexte d’une zone urbaine.




Introduction

Caméraintelligente

Réseau IPUnité desauvegarde

Caméra 1 Caméra 2 Caméra 3

Caméra 2Alarme !!!Caméra

intelligente

Réseau IPUnité desauvegarde

Caméra 1 Caméra 2 Caméra 3

Caméra 2Alarme !!!

Les actes de malveillance et les agressions sur les réseaux de transports publics ont augmenté ces dernières années. De récentes études auprès des exploitants ont montré que l’amélioration du sentiment de sécurité des passagers et des personnels, et la maintenance des matériels représentent les deux postes de dépenses stratégiques pour l’entreprise exploitante. Ainsi, la vidéo surveillance s'est imposée comme un outil incontournable dans les stations et les gares des grands réseaux. Elle a fait l’objet de nombreuses recherches dans le cadre de projets européens et nationaux afin de leur associer des fonctions d’interprétation, d’enregistrement et de transmission automatiques des images provenant d’une ou plusieurs caméras.

Les premiers produits qui apparaissent sur le marché constituent une première réponse à la demande. Toutefois, de nettes améliorations restent encore à apporter notamment en matière d’interprétation (création automatique d’alerte, indexation) et de transmission (réduction de la bande passante). A court terme, les exploitants prévoient l’équipement systématique de toutes les gares et stations de transports existantes et futures. A moyen terme, ils envisagent l’installation de systèmes embarqués. Pour ces systèmes, l’utilisation de l’audio conjointement à la vidéo est apparue comme une solution tout à fait pertinente. Dans le projet EVAS (Etude d’un système de Vidéo et Audio Surveillance sans fil), nous avons donc contribué à répondre à la demande des exploitants pour des systèmes embarqués en étudiant un système d’aide à la vidéo et à l’audio surveillance sans fils dit «intelligent» à embarquer dans les autobus de TRANSPOLE de l’Agglomération Lilloise.

Les préoccupations des opérateurs concernent notamment la détection de situations telles que les bagarres, la dégradation des matériels (taggage à la peinture, gravure ou bris de vitre) et les nuisances (actes de mendicité, agression verbale). La détection et la combinaison de l'audio et de la vidéo



permettent d'affiner la qualification d'événements à risque afin de les confirmer et de les localiser pour intervention. Cette gestion au plus près permet d'alerter sereinement les opérateurs de sécurité sur la décision la plus juste pour toute intervention. Un des points clés des systèmes de surveillance embarqués réside donc dans la nécessité de transmettre périodiquement, à la demande ou en cas d'alarmes, les informations issues des capteurs audio et vidéo. Pour ce faire il convient de disposer d’un système de reconnaissance automatique d’événements et d'un lien de transmission sans fil capable de supporter des débits importants et d'offrir une qualité de service ne dégradant pas l'information transmise. Le projet EVAS a donc étudié la manière de répondre à ces deux problématiques et propose aujourd’hui deux solutions préliminaires.

Lorsque le système de surveillance est embarqué, les occultations et les changements de luminosité apparaissent beaucoup plus souvent et sont beaucoup plus contraignants. Dans ces conditions, la robustesse de la fonction de détection d’un système de caméras embarqué n’est plus suffisante et la vidéo ne permet plus d’identifier, seule, l'activité d'un ou plusieurs passagers. Nous avons donc étudié comment compléter la perception vidéo de l’enceinte du véhicule par l’écoute de son ambiance sonore tout particulièrement lorsque des difficultés surgissent. Il n’est pas question de supprimer l'information vidéo. Un événement étant modélisé de manière bi-modale, il peut être alors détecté de manière automatique à partir de l’un, de l’autre ou des deux modes, augmentant ainsi sa probabilité de détection. Les travaux réalisés dans le cadre du projet sont décrits dans le premier chapitre de ce document. Ils se sont focalisés sur la détection automatique des événements de type « cris » (acte d’agression, acte de dérangement) et de type « aérosol de peinture» (graffiti) qui rejoignent les priorités annoncées par les exploitants. Le système proposé est fondé sur des techniques de classification supervisée très bien décrites dans la littérature et éprouvées dans de nombreux domaines d’application tels que l’analyse de la parole et l’indexation. Deux stratégies de modélisation ont été testées. La première, dite génératrice, est fondée sur une modélisation par mélange de lois normales. La seconde, dite discriminante, est une technique à noyau de type «Support Vector Machine». Nous avons ensuite comparé les performances obtenues avec l’une et l’autre des méthodes.

Le deuxième chapitre de ce rapport, présente les travaux réalisés pour la mise en œuvre d’un lien sans fil haut débit robuste entre un autobus et le poste de contrôle. En effet, de nombreux systèmes de télécommunication dédiés à des flottes d'autobus ont déjà été testés ou sont en exploitation pour des applications similaires ou dédiées à de l’information voyageur. Le lien de communication entre le véhicule et l'infrastructure s'appuie en général sur des standards de communication existants tels que TETRA (Terrestrial Trunked Radio), GSM (Global System for Mobile communication), GPRS (Global Packet Radio System), EDGE (Enhanced Data rates for GSM) et UMTS (Universal Mobile Terrestrial System) mais aussi la possible combinaison avec un satellite de diffusion pour transmettre de l’information vers l’autobus. L'ensemble des résultats disponibles sur ces expérimentations confirme que les débits offerts par les standards de communication sans fil existants dans le sens véhicule

Introduction


vers infrastructure sont largement insuffisants si l'on veut transmettre de la vidéo de qualité. Afin de répondre à ce problème, de nouvelles solutions s’appuient sur le déploiement de modems Wifi le long des lignes du réseau d’autobus. Se pose alors la question du coût de déploiement compte tenu de la portée limitée des bornes Wifi et des environnements urbains denses non propices à la propagation. Les récents standards émergeants de type WMAN (Wide Metropolitan Area network) tels que le IEEE802.20 ou MBWA ou la famille des standards WIMAX (Worldwide Interoperability Microwave Access) connue sous le sigle IEEE 802.16 offre aujourd’hui des débits tout à fait intéressants dans les sens montant et descendant (3 à 5 Mbps) pour des zones couvertes allant de 2 km (urbain dense) à 15 km. Partant de ce constat, le lien de communication développé dans le projet EVAS pour la liaison « bus vers sol » s’appuie sur le standard WIMAX associé à des techniques multi antennes « Multiple Input et Multiple Output » (MIMO) et tes techniques turbo en réception afin d’augmenter la robustesse de la liaison dans le but d’accroître soit la qualité de service pour une portée donnée soit la portée du système à qualité de service égale. Plusieurs solutions techniques ont été évaluées en simulation en fonction de différents paramètres clefs dans des modèles de canaux de propagation spécifiques transports issus de mesures réalisées sur le terrain. Les choix technologiques finaux ont été réalisés selon un compromis efficacité/coût d’implémentation. Une chaîne de transmission réelle a été développée sur la base de ces choix et fait l’objet du démonstrateur final présenté dans le dernier chapitre.

Le dernier chapitre de ce rapport présente le démonstrateur réalisé à Lille avec un autobus Transpole. Le détail de l’architecture du système mis en œuvre ainsi qu’une description des composants utilisés sont donnés. Nous présentons les résultats obtenus en particulier pour le lien radio. Enfin, nous concluons et donnons les perspectives de ces travaux de recherche qui ont montré la faisabilité et l’intérêt de la continuité d’un service d’aide à la surveillance entre une flotte de véhicules et l’infrastructure grâce aux techniques MIMO en mobilité et à l’analyse de l’ambiance sonore et la détection d’évènement spécifiques.


Chapitre 1

Comment une analyse audio peut-elle compléter une vidéo

surveillance intelligente?

Jean-Luc Rouas, Sébastien Ambellouis, Amaury Flancquart, Laboratoire Electronique, Ondes et Signaux pour les Transports INRETS-LEOST 20 rue Elisée Reclus, BP 317 59666 VILLENEUVE D’ASCQ Cedex [email protected] Jean-François Legrand, MIRIAD Technologies

1. Introduction L'impossibilité d'assurer une surveillance efficace par des opérateurs dans

des systèmes comprenant un nombre important de caméras a suscité dans le monde entier de nombreux travaux de recherches visant à automatiser la vidéosurveillance par l'analyse et l'interprétation en temps-réel des flux vidéos.

Aux USA on peut citer le projet VSAM, 1999, (Video Surveillance And Monitoring) de Carnegie-Mellon et du MIT avec des applications de surveillance automatiques des espaces publics (routes, parkings, centre commerciaux etc.) et militaires (frontières, proximité des bases, ambassades etc.)

En Europe, les travaux de Recherche et Développement tels que ceux menés dans les projets Européens PCRD4 et PCRD5, CROMATICA (CROwd MAnagement with Telematic Imaging and Communication Assistance) et PRISMATICA (PRo-active Integrated Systems for Security MAnagement by Technological, Institutional and Communication Assistance) et le projet IST ADVISOR (Annotated Digital VIdeo for Surveillance and Optimised Retrieval) sur la surveillance automatique ont traité les espaces ouverts en stations, mais pas l'intérieur des véhicules.

L'environnement particulier constitué par l'intérieur d'un véhicule en mouvement transportant des passagers pose de nombreux problèmes pour les



traitements vidéo. Les principales difficultés rencontrées sont liées aux variations importantes des conditions d'éclairage, à la présence de nombreuses occultations (lié à la taille du véhicule), notamment lors de moments d'affluence, mais aussi liées au mobilier intérieur. Une solution à ces problèmes est d'envisager une détection sonore des événements.

L'utilisation de traitements audio peut être envisagée de deux manières : — la détection d'événements est entièrement faite grâce aux traitements

acoustiques, et lorsqu'une situation délicate est détectée, les enregistrements sonores et vidéo sont transmis à l'agent situé au poste de contrôle qui déterminera s'il y a lieu d'effectuer une action ;

— la détection d'événements peut être faite conjointement avec la vidéo. Dans ce cas la détection d'un événement étant associée à une mesure de confiance, elle sera importante si l'événement est détectés par les deux média. La mesure de confiance fera alors également partie des informations transmises au poste de contrôle.

Suite à ces considérations, l'objectif de l'étude effectuée au cours de ce projet est la détection d'événements sonores dans un environnement de transport en commun. Les événements sonores analysés dans le cadre de cette première étude sont des événements simples liés à la sécurité des personnes et à l'intégrité du matériel :

— la détection d'un événement de type « cri » permet de détecter les scènes de violence ou d'agression physique ;

— la détection d'un événement de type « tag » (bruit lié à l'utilisation de bombe de peinture) permet de repérer une partie des dégradations matérielles souvent problématiques pour les opérateurs de transports en commun.

La démarche adoptée dans le cadre de ce travail est l'utilisation de

méthodes d'apprentissage supervisées. Ainsi, des extraits sonores permettent de créer un modèle type pour chaque événement que nous voulons reconnaître. Nous commencerons par décrire rapidement le projet EVAS, les problèmes rencontrés au cours de la constitution de la base de données et les méthodes employées. Ensuite, ces méthodes seront expliquées en détail puis les expériences sont décrites et commentées. Les conclusions et les perspectives pour les recherches sur ce projet sont évoquées dans la dernière section.

2. Contexte des travaux Le projet EVAS s'inscrit dans la démarche initiée par les projets cités plus

haut. Le projet PRISMATICA a eu pour objectifs de développer des systèmes innovant en matière de sécurité dans les transports, et en particulier dans le métro. Ce projet a émis un ensemble de recommandations pour la définition d'une plate-forme de CCTV (Close-Circuit Television) active et s'appuie sur les

Comment une analyse audio peut-elle compléter une vidéo surveillance intelligente?


travaux de CROMATICA et ADVISOR. PRISMATICA tire partie de technologies éprouvées et disponibles depuis plusieurs années (CORBA, MPEG2, MJPEG etc.) et propose une architecture de vidéo distribuée dans le module MIPSA (Modular Integrated Pedestrian Surveillance Architecture). Cependant, ce projet se limitait au cadre de la sécurité dans un environnement fixe (e.g. stations de métro).

Le projet EVAS a pour objectif la surveillance automatique dans les véhicules et plus particulièrement les autobus par l'analyse des comportements des personnes. Il vise à inclure les espaces mobiles avec leurs spécificités et prendre en compte les limitations de bande passante dans les systèmes de communications disponibles. La vidéo surveillance en espace mobile implique le développement et/ou l'adaptation d'algorithmes et d'équipements d'acquisition vidéo spécifiques, si possible intelligents, capable de réaliser des pré-traitements permettant de ne transmettre à l'équipement de niveau supérieur que l'information pertinente.

Le projet doit permettre de spécifier et développer les nouveaux éléments fonctionnels d'un système d'aide à la vidéo et à l'audio surveillance sans fil dans les Transports Publics (flotte d'autobus de l'opérateur TRANSPOLE - Agglomération Lilloise) sur les objectifs suivants :

— Analyser des enregistrements vidéo et sonores massifs sur autobus urbains afin de définir, avec les équipes de sécurité les besoins nouveaux en matière de surveillance sonores et visuelles de situations à risques pour la sécurité des passagers à bord d'autobus en milieu urbain,

— Tester et valider la mise en œuvre, à bord d'autobus urbains, de diagnostics sonores automatiques déclencheurs d'alertes sur risques sécurité passager,

— Tester et valider la faisabilité de levée de doute sur alarme par communication hertzienne sans fil entre capteurs d'audio/vidéo surveillance et un poste central, en mode fortement comprimé.

L'ensemble de ces objectifs permet de démontrer la faisabilité d'un système

complet de surveillance avancé avec des possibilités de gestion de crises ainsi que la faisabilité d'un déploiement efficace sur flotte d'autobus en milieu urbain. La figure 1 montre les enjeux applicatifs liés au projet.

Les actions de ce projet viennent compléter celles menées dans le cadre du

projet SAMSIT (Système d’Analyse de Médias pour une Sécurité Intelligente dans les transports publics) dont l’objectif est de développer un système d’interprétation de scène en associant une analyse automatique des signaux audio et des signaux vidéo. Le tableau 1.1 permet de positionner le projet EVAS par rapport au contenu des projets passés et en cours du point de vue des technologies étudiées et de l’environnement de l’application. Dans ce projet et contrairement au projet SAMSIT qui traite très précisément de la combinaison des deux modes de perception, le projet EVAS n’étudie que



l’automatisation de la tâche d’audio surveillance. La vidéo intervient dans le système comme le moyen de valider ou non le doute associé à l’alarme générée et d’identifier exactement la situation en présence et d’apprécier sa gravité. Les images de la scène filmée sont transmises au poste de sûreté via un système de communication sans fil. Finalement, le choix est laisser à l’agent de surveillance situé au poste de sûreté dont l’objectif est de faire intervenir rapidement l’équipe la plus en adéquation avec le scénario détecté.

Figure 1.1 : Illustrations des tâches liées au projet EVAS

Tableau 1.1 : Tableau comparatif de certains projets d’aide à la vidéo et à l’audio surveillance

Environnement surveillé Technologies

Projets Embarqué(Véhicule)

Fixe (Station) Vidéo Audio Architecture

réseau Télé

communicationCromatica

(EU-PCRD)

oui Identification de situations élémentaires

non non non

Prismatica (EU-

PCRD) oui

Identification de situations élémentaires

Reconnaissance de la parole

CORBA

Etalement de spectre

Advisor (EU-IST) oui

Modélisation de situations complexes

Reconnaissance de la parole non non

SAMSIT (PREDIT) oui

Modélisation de situations complexes

Identification de d’événements

sonores

Service

Web non

EVAS (PREDIT) oui

Uniquement en

transmission

Identification de d’événements

sonores non

WiMAX MIMO

Dans la suite de cette section, nous commençons par décrire rapidement les

données dont nous disposons sur ce projet. Après la description des données,



nous parlons rapidement des problèmes et des intérêts liés à l'étiquetage manuel de la base de données. Ensuite, nous décrirons brièvement les différentes méthodes proposées: une méthode dite « classique » et une méthode dite « originale », qui sera décrite plus en détails par la suite.

3. Les bases de données audio Nous avons utilisé deux types de bases de données audio. Le premier jeu

de données a été enregistré à bord d'un train TER sans passagers publics, mis à disposition par la SNCF dans le cadre du projet SAMSIT. Le train a été équipé de matériels d'acquisition sonore et vidéo. Pour la partie audio, nous avons utilisé quatre microphones répartis sur un autobus.

Différents scénarii ont été envisagés conformément aux demandes de la SNCF. Nous avons fait appel à des acteurs professionnels pour jouer le plus naturellement possible les scènes demandées. Les scénarii retenus sont les suivants :

— Scénario 1 : agression-bagarre 2 personnes (cris) — Scénario 2 : agression-bagarre plus de deux personnes (beaucoup de

cris) — Scénario 3 : vol avec violence (peu de cris) — Scénario 4 : vol à l'arrachée (cri bref) — Scénario 5 : simulation d'écriture sur les vitres (sans bruit) — Scénario 6 : signal d'alarme (sans bruit) — Scénario 7 : mendicité (parole) — Scénario 8 : scène de confusion sonore importante impliquant un

grand nombre de cris (beaucoup de cris) Chaque scénario est joué plusieurs fois. Pour chaque type de scénario, les

acteurs ont joué une scène dite « en condition normale », dans laquelle aucune situation critique n'est présente, mais qui possède des propriétés acoustiques proches d'une scène qualifiée de critique. Dans le cadre de ce projet, nous nous sommes principalement intéressés à la détection de cris humains.

L'ensemble des scénarii ne convenant pas totalement pour cette étude, seuls les scénarii les plus pertinents ont été pris en compte. Ces scénarii sont les scénarii 1 à 4. Leur durée totale cumulée est 2540 secondes. La durée des cris est de 138 secondes. La durée moyenne d'un cri est de 2.85 secondes.

Le second jeu de données a été enregistré lors d'acquisitions en conditions réelles à bord d'un autobus Transpole (sans passagers publics) équipé de 4 caméras et de 4 microphones. La durée totale des enregistrements est de 11678 secondes (soit 194 minutes, ou 3h15min) sur l'ensemble des 4 microphones (environ 2900 secondes par micro, soit 50 minutes). Les dispositifs d'enregistrement sont illustrés dans le chapitre 3.



Les demandes de la société d'exploitation Transpole étant similaires à celles formulées par la SNCF, les mêmes scénarii ont été envisagés. En ce qui concerne la sécurité des usagers, nous nous sommes plus particulièrement focalisés sur les vols à l'arraché (notamment de téléphone portable). Coté actes de malveillance à l'encontre des matériels, nous avons simulé les dégradations les plus fréquentes, à savoir le « taggage » (bruits liés à l'utilisation de bombes de peinture) et le « gravage » (à l'aide de clefs) des vitres.

Dans le cadre de la détection automatique de bruits liés à l'utilisation de bombes de peinture, nous disposons de données provenant de différentes sources (contrairement au cas de l'étude sur la détection de cris, les bruits liés à l'utilisation de bombes de peinture sont plus facile à simuler) :

— Les données décrites précédemment ; — les données laboratoire, enregistrées au laboratoire et constituées de

scénarii comportant des bruits de bombes de peinture mixés avec un bruit d'environnement de type bus urbain (corpus mis au point dans le projet TESS – Transport, Espace et Société) ;

— les données studios obtenues dans le cadre d'une collaboration avec Dan Istrate de l'ESIGETEL (Fontainebleau).

Le tableau 1.2 récapitule les différentes sources de données ainsi que les durées associées.

Tableau 1.2 : Durées des différentes sources de données Base de données Durée totale Durées des « tags »

EVAS (enregistrements en conditions réelles)

55 min 250 s

« labo » (simulations en laboratoire) 269 s 125 s « studio » 147 s 147 s

TESS (bus en exploitation normale) 6h40 min -

4. Etiquetage manuel et difficultés rencontrées Avant de décrire les méthodes utilisées, il est important de noter que

l'étiquetage manuel est une étape particulièrement importante dans le contexte de la classification supervisée. Il convient de souligner la difficulté de l’étape d'étiquetage manuel. Cette étape a représenté une partie non négligeable du travail et a porté sur toute la base donc il est important d’en rappeler l'intérêt.

Les méthodes de classification utilisées dans le cadre de ces recherches sont de type supervisées. Un des problèmes majeurs rencontrés lors de l'utilisation de ces techniques est le besoin de procéder à un étiquetage manuel des données d'apprentissage, de manière à créer des modèles spécifiques à chacune des classes. L'étiquetage manuel sert également de référence lors de l'évaluation des différentes méthodes proposées. La figure 1.2 illustre une annotation sur un événement de type cri.



Figure 1.2 : Illustration d'une annotation de bande sonore

Or, dans le cadre d'un environnement réel, et donc fortement bruité, tel que

pouvant être rencontré dans les transports en commun, l'étiquetage devient rapidement une tâche ardue.

La présence dans nos données de bruits affectant fortement les caractéristiques du son à reconnaître (notamment spectrales), il est souvent difficile de définir s'il est toujours pertinent d'affecter le mélange sonore à l'une des classes considérées. Ceci est d’autant plus vrai aux frontières des motifs sonores. Ceci nous amène à nous interroger sur la pertinence d'effectuer l'apprentissage des modèles sur des données aussi dégradées.

De plus, dans le cadre de l'évaluation des performances, on ne saurait trop s'interroger sur la pertinence d'une détection d'un son relativement faible noyé dans un bruit important. Il est cependant regrettable de constater qu'étant donné que nous disposons de données réelles (et non pas simulées, c'est-à-dire mixées a posteriori, aucun contrôle sur le rapport signal/bruit n'est possible. Cependant, étudier les méthodes de détection d'événements dans des conditions réelles est intéressant d'un point de vue pratique puisque les comportements des algorithmes sur des données « mixées » et réelles sont sensiblement différents.

5. Méthode « classique » de traitement La méthode « classique » utilise des techniques connues en traitement

automatique de la parole. La thématique de recherche sur l'analyse audio dans des environnements de transport venant d'être initiée, nous ne disposons d'aucune base de comparaison. Nous avons implémenté cette méthode dans ce but.

La première étape est la paramétrisation du signal audio. Les paramètres utilisés sont des coefficients cepstraux [20] extraits selon l'échelle Mel- une échelle de fréquence non linéaire, liée à la perception humaine. Ces coefficients sont appelés communément MFCC [19] (Mel Frequency Cepstral Coefficients). Ils sont couramment employés dans des applications de transcription automatique de la parole. Nous calculons ces coefficients sur une fenêtre de 16



ms, avec un recouvrement 8 ms. Ainsi, des observations sont obtenues toutes les 8 ms. La figure 1.3 illustre le procédé de calcul des MFCC.

Figure 1.3 : Etapes de calcul des MFCC - FFT (Fast Fourier Transform), DCT (Discrete Cosinus Transform) , CMS (Cepstral Mean Substration)

Après avoir calculé les paramètres sur l'ensemble du signal, les

observations de la partie d'apprentissage du corpus sont regroupées en classes. Dans notre problème, les classes sont : « Cris » et « Non Cris ». L'étape suivante est la détermination des modèles permettant de représenter les distributions des paramètres pour chacune des classes. En phase de test, ces modèles seront utiles pour tester la similarité de l'échantillon à tester avec chaque classe.

Une des techniques de modélisation les plus simples et les plus employées est l'utilisation de Modèles de Mélange de lois Gaussiennes (ou MMG).

Les distributions multidimensionnelles des paramètres sont représentées par un ensemble de lois Gaussiennes multidimensionnelles permettant d'approximer quasiment n'importe quel type de distribution statistique (voir figure 1.4).

Figure 1.4 : Illustration de la modélisation par mélange de lois gaussiennes

Les sorties obtenues en phase de test sont les probabilités d'appartenance à

chaque classe pour chacun des échantillons. Afin d'améliorer la fiabilité, nous prenons une décision toutes les 200 ms (soit 25 observations), en faisant l'hypothèse que les observations sont indépendantes (somme des probabilités).



6. Méthode « originale » Cette méthode est une amélioration de la méthode « classique » basée sur

des observations faites en considérant la qualité des enregistrements et les types de sons à détecter. Ainsi, puisque les enregistrements sont assez difficiles à exploiter du fait notamment de la présence de nombreux bruits, et que les sons que nous cherchons à repérer possèdent un niveau sonore très supérieur au niveau moyen, nous avons fait l’hypothèse qu'un pré-traitement ayant pour but d'identifier les zones de forte énergie permet d'améliorer les performances du système, notamment en ne traitant pas les zones non pertinentes de faible énergie (gain en temps de calcul) et en évitant de créer de fausses alarmes sur ces zones.

La détection de zones d'activité se fait en trois étapes, que nous décrirons plus en détail dans la partie suivante :

— Segmentation automatique — Détection d'activité — Sélection des zones pertinentes Au niveau de la paramétrisation, outre les classiques coefficients MFCC,

d'autres paramètres concurrentiels utilisés habituellement dans le cadre du traitement automatique de la parole ont été testés. Il s'agit des coefficients LPC (Linear Prediction Coefficients) [15] et PLP (Perceptual Linear Prediction Coefficients)[6].

Outre le mélange de lois Gaussiennes, une autre méthode de classification, dite discriminante, est proposée : les machines à vecteurs de support (SVM) [22].

Cette méthode a pour but de trouver une frontière (non-linéaire) entre deux classes. Les paramètres représentant les observations d'apprentissage pour chaque classe sont projetés dans un espace de dimension supérieure. Puis une frontière linéaire est déterminée dans cet espace de projection. Lors du retour aux dimensions originelles, la frontière trouvée est alors non-linéaire. En phase de test, l'échantillon testé est confronté à la frontière, ce qui permet l'affectation à une classe. Une mesure de confiance est également disponible en fonction de la distance entre l'échantillon de test et la frontière.

Contrairement au cas de la méthode « classique », les décisions ne sont plus prises ici à des intervalles de temps réguliers. La zone d'activité dans son ensemble constitue désormais la zone de décision. Ainsi, les résultats ne sont plus obtenus toutes les 200 ms comme dans le cas « classique », mais sur des intervalles de temps irréguliers dépendant de la détection des zones d'activité.

La méthode dite « originale » est détaillée ci-dessous.



6.1. Segmentation en zones d'activité Le but du pré-traitement est d'extraire les zones d'intérêt (ou d'activité) à

partir du flux audio, afin de réduire les temps de calcul et d'améliorer les performances globales. Ce pré-traitement consiste en trois étapes :

— Une segmentation automatique du signal audio, qui sépare le flux audio en segments quasi-stationnaires ;

— Un algorithme de détection d'activité, dont le but est de supprimer les segments de silence et les zones où seul le bruit de fond est présent ;

— Une phase de regroupement des segments d'activité.

6.1.1. Segmentation automatique La segmentation est issue de l'algorithme de « Divergence Forward-

Backward » (DFB) qui est basé sur une étude statistique du signal dans le domaine temporel. Cet algorithme, décrit dans [1], a été appliqué à la parole, et par la suite utilisé pour la segmentation parole/musique [14]. Le signal audio est hypothétiquement décrit par une séquence de segments quasi-stationnaires. Chaque segment est caractérisé par un modèle statistique, le modèle auto-régressif Gaussien donné par :

⎩⎨⎧

=+=∑ −2)var( nn

ninin

eeyay

σ

où ny est le signal, ne est un bruit blanc Gaussien de variance 2nσ .

La méthode consiste à détecter les changements dans les modèles autorégressifs au travers des erreurs de prédiction calculées sur deux fenêtres d'analyse (figure 1.5). La distance entre les deux modèles est obtenue par le calcul de l'entropie mutuelle des deux lois conditionnelles correspondantes.

La statistique est définie comme une somme cumulée :

∑=

=n

kknW

1ω

avec : ⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⎥⎦

⎤⎢⎣

⎡−+⎥

⎦

⎤⎢⎣

⎡+−= 2

1

20

20

0

21

20

21

10

11221

σσ

σσσ

σω kkk

keee

l'entropie mutuelle entre

les deux modèles dans le cadre Gaussien. L'erreur de prédiction pour chaque modèle à l'instant k est :

∑=

−−=p

jjk

ijk

ik yaye

1 pour 1,0=i



Figure 1.5 : Localisation des fenêtres d'estimation des modèles noM et

nM1 au temps n. Le temps « 0 » correspond à la dernière frontière validée. La phrase (traduite en français) est : « il se garantira du.. ».

Cette méthode a été comparée à des nombreuses autres méthodes de

segmentation [2]. Elle a donné des résultats intéressants pour la reconnaissance automatique de la parole : des expériences ont montré que la durée des segments est porteuse d'une information pertinente. L'algorithme permet d'obtenir une segmentation infra-phonémique où trois types de segments peuvent être identifiés :

— des segments quasi-stationnaires, correspondant à la partie stable des phonèmes,

— des segments transitoires, — des segments courts (d'environ 20 ms). Leur longueur varie entre 20 et 100 ms pour la parole (figure 1.6).

Figure 1.6 : Résultat de la segmentation sur la phrase : « Confirmez le rendez-vous par écrit »



6.1.2. Détection de segments d'activité La détection d'activité, développé par François Pellegrino, est basée sur une

statistique du premier ordre du signal temporel [13]. Il a été précédemment intégré dans un système d'identification automatique des langues [17].

L'algorithme de détection d'activité détecte les segments les moins proéminents (en terme d'énergie) dans l'extrait audio et les autres segments sont classés Silence ou Activité d'après un seuil adaptatif. Nous pouvons distinguer les segments de silence montrant une absence d'activité (long segments) et les silences apparaissant au cours d'une phrase (pauses courtes).

A l'issue des étapes de segmentation et de détection d'activité, des segments d'activité sont identifiés. Cependant tous ces segments ne sont pas pertinents, il est donc important d'effectuer un filtrage afin de prendre en compte uniquement les segments de durée suffisante.

Afin d'écarter les segments trop courts (durée inférieure à 300 ms), une fusion des segments quasi-adjacents est opérée. Les segments d'activité sont dits quasi-adjacents s'ils sont séparés par une zone de non-activité d'une durée inférieure à 300ms. Seuls les segments ayant une durée supérieure à 300 ms sont conservés. Un exemple de la segmentation obtenue par cette méthode est donné sur la figure 1.7.

Figure 1.7 : Zones d'activité détectées sur un signal audio (en gris)

6.2. Cadre de modélisation et de classification Deux méthodes de modélisation des données audio ont été utilisées : les

Modèles de Mélanges de lois Gaussiennes (MMG) et la méthode des Machines à Vecteurs de Support (SVM). Les deux méthodes sont appliquées à des paramètres acoustiques extraits du signal audio.

6.2.1. Extraction des paramètres acoustiques Nous avons étudié les performances obtenues avec différents jeux de

paramètres utilisés en traitement de la parole : les coefficients MFCC, les



coefficients LPC et les coefficients PLP. Les MFCC et les PLP sont obtenus après une transformation du signal dans le domaine spectral. Les coefficients LPC sont basés sont une analyse prédictive faisant l'hypothèse qu'un échantillon de parole à un instant donné peut être représenté par une combinaison linéaire des échantillons précédents.

Pour chaque jeu de paramètres, nous avons inclu les coefficients, leurs dérivées (Δ ) et leurs accélérations (ΔΔ), et ajouté l'énergie totale ainsi que sa dérivée et son accélération. Les jeux de paramètres que nous avons utilisés dans les expériences sont donc :

— 12 MFCC, Δ, ΔΔ et leur 3 termes d’énergie (39 coefficients), — 20 MFCC, Δ, ΔΔ et leur 3 termes d’énergie (63 coefficients), — 12 LPC, Δ, ΔΔ et leur 3 termes d’énergie (39 coefficients), — 12 PLP, Δ, ΔΔ et leur 3 termes d’énergie (39 coefficients).

6.2.2. Les MMG Cette méthode suppose que les différentes classes représentées dans

l'espace des paramètres peuvent être modélisées par une somme pondérée de distributions Gaussiennes. Les paramètres du mélange de lois Gaussiennes sont estimés avec l'algorithme EM (Expectation-Maximization ou maximisation de l'espérance, voir annexe) initialisé par l'algorithme LBG [8].

Cette méthode suppose qu’un ensemble de vecteurs de paramètres issus d’un jeu d’échantillons sonores appartenant à la même classe suit une loi de probabilité qui peut être modélisée par un mélange de loi normale.

Soient x un vecteur de paramètres de dimension d et { } [ ]NiiCC ,1∈= N

classes iC à laquelle x peut appartenir. Soit { } [ ]Mjjjjw,1

,,∈

Σμ un mélange

de M lois normales ( )jjjN Σ,μ associé à la classe iC . Les paramètres jμ

et jΣ sont respectivement le vecteur moyen des paramètres et la matrice de

covariance de la jème loi gaussienne. jw est la proportion de la jème loi dans le

mélange. La densité de probabilité )/( iCxP est alors donnée par la somme

pondérée des M fonctions gaussiennes jp :

∑=

=M

jjji xpwCxP

1)()/( où ⎭

⎬⎫

⎩⎨⎧ −Σ− −

Σ=

)()(21

2/12/

1

)2(

1)(jj

tj xx

jdj exp

μμ

π.

L’objectif de la phase d’apprentissage est de déterminer, pour chaque iC ,

les M triplets de paramètres à partir d’un ensemble { }mxxX ,...,1= de paramètres extraits d’un corpus de motifs sonores représentatif de la classe considérée. Les M×3 paramètres gaussiens relatifs à la classe iC sont alors obtenus en maximisant la vraisemblance décrite par la relation suivante :



∏=

=m

jiji CxpCXp

1

)()(

Puisque ces valeurs affectent grandement les performances de l'algorithme EM, une quantification vectorielle (QV, voir annexe) est appliquée à l'ensemble d'apprentissage pour les optimiser.

Pendant la phase d'identification, tous les segments d'activité détectés dans le fichier de test sont regroupés et les paramètres sont calculés sur ces segments. La vraisemblance de cet ensemble de segments { }myyY ,...,1=

pour chaque modèle (noté iC ) est donnée par :

∏=

=m

jiji CypCYp

1

)()(

avec )( ij Cyp la vraisemblance de chaque segment.

Sous l'hypothèse « Winner Takes All (WTA) » [12], l'approximation de )( ij Cyp est donnée par :

( ) ( ) ( )⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⎥⎦⎤

⎢⎣⎡ −Σ−−

Σ= −

≤≤

ikjk

tikji

kp

ik

Qkij yyCypi

μμπ

α 1

2/1 21exp

)2(max

6.2.3. Les SVM Les expériences menées avec la technique de classification discriminante

par SVM ont été effectuées avec l'aide de Jérôme Louradour (IRIT-Université Paul Sabatier) dont le sujet de thèse porte sur la vérification du locuteur (voir par exemple [10]).

Les MMG capturent les distributions des paramètres des différentes classes et effectuent la classification en utilisant un critère de décision bayésien. Au contraire, la technique SVM est directement focalisée sur la modélisation d'une fonction discriminante permettant de séparer les classes. Cette fonction est une combinaison linéaire de plusieurs fonctions kernel (noyau) k estimées sur les données d'apprentissage.

Pour un problème de classification binaire, avec les données d'apprentissage ( +

ix ) (respectivement ( −ix )) avec les étiquettes 1=il

(respectivement 1−=il ), la fonction peut être écrite :

( ) ( ) ( ) bxykxykyf iiii +−= −−++ ∑∑ ,, αα

Les poids iα sont positifs, b est un seuil tel que 0)( >yf signifie que nous devons décider d'affecter l'étiquette 1 à y. La fonction k(.,.) peut être vue comme un produit scalaire généralisé.



Le processus d'apprentissage est un problème d'optimisation, pour lequel le coût à minimiser peut être considéré comme la somme pondérée du risque empirique (différence avec les valeurs cibles 1/1 −=il ) sur les données d'apprentissage, et un terme de complexité permettant de contrôler le sur-apprentissage :

( ) ( )αTxflN

CN

iii +−=

+=∑

1

1

Le paramètre C joue le même rôle que le nombre de lois dans un mélange de lois Gaussiennes pour l'approche MMG.

A cause de la discontinuité des dérivées premières du coût, de nombreuses composantes du vecteur poids optimal α sont nulles, c'est-à-dire qu'une solution unique est obtenue, conduisant à une procédure de « scoring » rapide.

Les valeurs non nulles de α correspondent aux Vecteurs de Support, qui définissent, avec la fonction k , la complexité de la frontière de décision ( 0)( =yf ).

Si la matrice K, composée des évaluations de kernel entre chaque paire de données d'apprentissage (c’est à dire ),(),( ji xxkjiK = ) est définie positive,

alors il est possible de trouver la solution optimale au problème d'optimisation. Sinon, la convergence de l'algorithme d'apprentissage n'est pas garantie.

Dans le cas de la classification de données audio, chaque vecteur acoustique pris individuellement contient peu d'information discriminante, et les techniques discriminantes appliquées au niveau vectoriel souffrent de la présence de bruit. Ainsi, il est intéressant d'effectuer un traitement à un niveau supérieur : le niveau séquentiel.

Comme la manière optimale de combiner les sorties des SVM n'a pas encore été trouvée (contrairement au cas de MMG qui offre un cadre probabiliste permettant de traiter des séquences de manière naturelle), nous nous intéressons ici aux SVM avec des noyaux séquentiels.

Une technique efficace qui a montré de bonnes performances en vérification du locuteur (problème typique en classification de données audio séquentielles) est la technique SVM associée à un noyau dit « Generalised Linear Discriminant Sequence (GLDS) » [3].

Le calcul du noyau entre deux séquences se résume (à quelques approximations pratiques près) à apprendre un classifieur polynomial vectoriel sur une séquence et à effectuer les tests sur l'autre séquence.

Le calcul du noyau GLDS implique une expansion polynomiale pφ

composée de tous les monômes entre chaque combinaison possible des composantes du vecteur jusqu'au degré p.

Par exemple : si p=2 et txxx ],[ 21= est un vecteur à deux dimensions alors on a :



( ) [ ]tp xxxxxxx 2

2212121 ,,,,=φ

Le noyau GLDS entre deux séquences de vecteurs { }xTttxX ..1== et

{ } TyttyY ..1== est donné comme le produit scalaire normalisé entre les

expansions moyennes :

( ) ( ) ( )∑ ∑= =

−=X YT

t

T

ssp

Yp

ttp

XGLDS y

TMx

TYXk

1 1

1 11, φφ

avec pM la matrice des moments du deuxième ordre de l'expansion

polynomiale pφ estimée sur une population dite "background".

Dans les expériences, nous utilisons cette approximation avec p=3, dans le but d'avoir une première idée des performances du classificateur SVM.

6.3. Classification Dans l'objectif d'améliorer les performances de la classification et de réduire

le taux de fausses alarmes, l'utilisation d'un arbre hiérarchique de classification est envisagée. L'intérêt de l'utilisation de cet arbre est confirmé par les expériences décrites en section suivante. L'arbre hiérarchique est décrit sur la figure 1.8. Plusieurs options sont étudiées en fonction de la topologie de l'arbre.

— Pendant la première étape, une détection bruit de fond/bruits à court terme est effectuée. Le modèle de bruit de fond est appris sur toutes les parties du signal où le bruit de fond est présent, y compris les parties contenant de la parole et des cris. Le modèle de bruits à court terme est entraîné sur des segments de bruits spécifiques (ouverture des portes, bruits de chocs …).

— Pendant la deuxième phase, une classification parole/non parole est effectuée. Pour cette étape, nous considérons les cris humains comme de la parole.

— Enfin, une détection cri/non cri est effectuée.



Figure 1.8 : Arbre hiérarchique complet utilisé pour la classification



7. Résultats en matière de détection de cri Tout d'abord, la procédure de modélisation/classification est testée sur la

partie apprentissage du corpus de manière à confirmer (ou infirmer) la pertinence du pré-traitement et de l'arbre hiérarchique de classification. Ces expériences permettent d'évaluer les meilleurs choix techniques.

Pour chaque test, une matrice de confusion est donnée. Pour l'interprétation des résultats, nous nous focalisons sur le taux de détection des cris et le taux de fausses alarmes (lorsque des cris sont identifiés alors qu'ils ne le devraient pas). Le système a pour but d'aider les opérateurs dans leur tâche de surveillance en leur indiquant au moyen d'une alarme si des cris sont détectés. Si le système fournit trop de fausses alarmes, l'opérateur ne le prendra plus en compte.

7.1. Description du corpus utilisé dans les expériences Les données audio de la base de données ont été enregistrées par nos

soins dans un train TER dans le cadre du projet SAMSIT (voir section précédente pour plus de détails). Les scénarii considérés lors de cette étude sont les suivants :

— Scénario 1: scène de bagarre impliquant deux personnes ou plus, — Scénario 2: scène de bagarre impliquant deux hommes et une

femmes, — Scénario 3: scène de vol avec violence (deux hommes attaquent une

personne), — Scénario 4: scène de vol à l'arrachée (sac à main ou téléphone

portable). Ainsi, la durée totale de la base de données est d'environ 2500 secondes et

la durée totale des cris à détecter est d'environ 140 secondes. Tous les fichiers de la base de données ont été étiquetés manuellement. La durée moyenne d'un cri étiqueté manuellement est de 2,85 secondes.

7.2. Intérêt du pré-traitement Les expériences suivantes tentent de montrer la pertinence du pré-

traitement (segmentation en zones d'activité) dans le contexte des MMG. Ces expériences sont effectuées en utilisant comme paramètres 12 MFCC et l'énergie globale, avec leurs dérivées premières et secondes. Le tableau 1.3 montre les meilleurs résultats obtenus sans pré-traitements.

Les vecteurs d'observation sont calculés toutes les 8 ms sur une partie du signal. Un lissage a posteriori permet d'obtenir une décision toutes les 200 ms.



Tableau 1.3 : Résultats sur les données d'apprentissage, sans pré-traitement et sans classification hiérarchique

Résultats Attendus

Non cris Cris

Non cris (2402 s) 85.0% (2043 s) 15.0% (360 s) Cris (138 s) 24.1% (35 s) 75.9 % (109 s)

Dans un souci de comparaison, des expériences ont également été menées

en utilisant le même système, mais avec pré-traitement. Dans ces expériences, les paramètres sont uniquement calculés sur chaque zone d'activité. Une décision est alors prise sur l'ensemble de la zone d'activité. Le tableau 1.4 montre les meilleurs résultats obtenus avec cette méthode.

Tableau 1.4 : Résultats sur les données d'apprentissage, avec pré-traitement et sans classification hiérarchique

Résultats Attendus

Non cris Cris

Non cris (2402 s) 97.0% (2330 s) 3.0% (73 s) Cris (138 s) 24.2% (33 s) 75.8 % (105 s)

En ce qui concerne le taux de bonne détection des cris, les résultats sont

quasiment identiques que l'on emploie ou non la phase de pré-traitement (environ 75% d'identifications correctes). Toutefois, le taux de fausses alarmes décroît significativement lorsque le pré-traitement est utilisé (seulement 73s de fausses alarmes contre 360s sans le pré-traitement).

Ces expériences montrent donc l'intérêt d'utiliser la phase de pré-traitement puisqu'elle n'influence pas les performances en terme de détection de cris tout en réduisant nettement le nombre de fausses alarmes.

7.3. Intérêt de la classification hiérarchique Les expériences présentées ici ont pour but de démontrer si l'usage de la

classification hiérarchique permet d'améliorer les performances. Dans les deux expériences suivantes, le système employé est exactement le même, sauf en ce qui concerne la présence ou non du classifieur hiérarchique. Le pré-traitement est appliqué dans les deux cas.

Les paramètres utilisés sont 12 MFCC avec l'énergie globale, leurs dérivées premières et secondes. Les modèles sont des MMG. Les résultats obtenus sans utiliser la classification hiérarchique sont décrits dans le tableau 1.3.

Comme nous l'avions précisé plus haut, l'arbre de classification hiérarchique est composé tout d'abord d'une décision bruit de fond/bruits à court-terme, puis d'une décision parole/non parole.

Pour la décision bruit de fond/bruits à court terme, les modèles de bruit à court terme sont appris avec des exemples de bruits à court terme (e.g. bruits de portes, etc.).



Le modèle de bruit de fond est entraîné en utilisant toutes les autres données (avec les parties de parole et les cris). Le modèle de parole est entraîné avec toutes les parties des données contenant de la parole, y compris les cris. Le modèle de non parole est appris en utilisant toutes parties ne contenant pas de la parole. Les résultats obtenus avec l'arbre de classification sont décrits dans le tableau 1.5.

Tableau 1.5: Résultats sur les données d'apprentissage, avec pré-traitement et avec l'arbre hiérarchique

Résultats Attendus

Non cris Cris

Non cris (2402 s) 98.3 % (2363 s) 1.6 % (39 s) Cris (138 s) 25.6 % (35 s) 74.3 % (103 s)

Les résultats sont quasiment identiques en ce qui concerne le taux

d'identification correcte des cris, que l'arbre de décision soit utilisé ou non (environ 75 % d'identifications correctes), bien qu'ils soient légèrement moins bons lorsque l'arbre de décision est utilisé (103 s contre 105 s d'identifications correctes).

De plus, le taux de fausses alarmes décroît lorsque l'arbre de décision est utilisé (seulement 39 s de fausses alarmes contre 73 s précédemment). Comme cela a été dit auparavant, ce système est développé dans le cadre d'une aide à un opérateur humain.

Le but du système n'est pas de détecter tous les événements (cris) avec exactitude, mais de détecter au moins un cri pour chaque scénario où les cris sont présents.

Le plus important est de limiter le nombre de fausses alarmes, puisque si le système génère trop de fausses alarmes, cela constituera une gêne pour l'opérateur. Les résultats obtenus avec le système complet ont donc été évalués de manière plus précise sur le tableau 1.6.

Ce tableau montre les résultats obtenus pour chaque scénario et pour chaque condition (normal ou scène). Même si le nombre et la durée des cris identifiés ne correspondent pas précisément au nombre de cris étiquetés manuellement, nous pouvons observer qu'au moins une partie des cris est détectée pour chaque condition « scène ». De plus, les fausses alarmes apparaissant dans les conditions « normale » sont fort peu nombreuses et la durée des cris identifiés dans ces cas est faible. Cependant, ces expériences, préliminaires, ont été menées en prenant les mêmes données pour faire l'apprentissage et le test, et le système n'a pas été optimisé pour obtenir le moins de fausses alarmes possibles (ce qui serait au détriment du taux d'identification des cris).

Les expériences présentées dans la section suivante démontrent la potentialité d'utiliser ce système dans des conditions réelles (ensemble de test inconnu) par le biais d'une validation croisée. De plus, des tests sont effectués



afin de trouver les meilleurs réglages de façon à minimiser le nombre de fausses alarmes.

Tableau 1.6: Présentation des résultats détaillés obtenus avec le système complet (première colonne : référence du scénario, deuxième colonne :

condition normale ou scène, troisième colonne : nombre de micros utilisés, quatrième et cinquième colonnes : nombre et durée des cris

étiquetés manuellement, septième et huitième colonnes : nombre et durée des cris détectés)

scenario scène Numéro du micro

Nombre de cris (durée)

Nombre de cris (durée)

détectés Scenar1 Normale 2 0 (0 s) 4 (2,58 s) Scenar1 Scène 2 5 (28,43 s) 8 (23,12 s) Scenar2 Normale 2 0 (0 s) 2 (1,73 s) Scenar2 Scène 2 17 (56,49 s) 31 [31,22 s) Scenar3 Normale 2 0 (0 s) 3 (1,83 s) Scenar3 Scène 2 17 (42,83 s) 27 (42,21 s) Scenar4 Scène 4 9 (8,95 s) 15 (10,35 s)

7.4. Expériences en validation croisée Le but de la validation croisée est d'estimer de quelle manière les modèles

que nous avons appris sur les données d'apprentissage vont se comporter sur des données de test inconnues. Nous utilisons ici la technique dite Leave-one-out. Cette méthode implique trois étapes :

— Tout d'abord, les modèles sont entraînés sur tous les scénarii sauf un ; — Ensuite, les modèles sont évalués sur le scénario restant ; — Chacune de ces étapes est alors répétée jusqu'à ce que tous les

scénarii aient été testés. Dans la méthode d'évaluation, nous ne considérons pas uniquement les

performances en termes de détection d'événements, mais également la précision temporelle de la détection. Les résultats sont donc exprimés en terme de durées correctement identifiées (pour les cris et les non cris) et de durées mal identifiées. Nous présentons ici uniquement les taux de détection des cris et le taux de fausses alarmes. La procédure de validation croisée est donc utilisée sur tous les fichiers de la base de données et pour les deux algorithmes de classification (MMG et SVM).

Dans le cadre de la modélisation par MMG, nous avons testé différents nombres de lois Gaussiennes. De la même manière, pour les SVM, le paramètre C varie dans l'intervalle [0.01, 10]. Les résultats sont donnés graphiquement.

Le taux d'identifications correctes des cris et de cris non identifiés correspondent respectivement aux barres blanches et grises. Le taux de



fausses alarmes est la courbe rouge. Les résultats obtenus avec les MMG sont décrits sur la figure 1.9.

Figure 1.9 : Résultats obtenus en validation croisée avec les MMG. Les identifications correctes correspondent aux parties blanches des barres.

Les mauvaises classifications sont représentées par les parties grises de barres. Les fausses alarmes sont représentées par la courbe. (a) 12 MFCC

+ E + Δ + ΔΔ, (b) 20 MFCC + E + Δ + ΔΔ, (c) 12 LPC + E + Δ + ΔΔ (d) 12 PLP+ E + Δ + ΔΔ

Ces graphiques montrent que le taux de fausses alarmes le plus faible est

obtenu en utilisant 1024 lois gaussiennes et pour les ensembles de paramètres (b) et (d). La durée des fausses alarmes dans ces deux cas est respectivement de 9,4 s et 14 s. Elle est relativement faible par rapport à la durée totale du corpus (environ 2540 s), et également par rapport à la durée des cris à identifier (environ 140 s).

Le tableau 1.7 montre les résultats d'une autre manière pour ces deux ensembles de paramètres. Dans ce tableau, nous pouvons voir que lorsqu'il n'y a pas de cris à détecter (condition « Normale »), l'algorithme ne produit que très peu de fausses alarmes (seulement 1,3 s de cris détectés dans la condition « Normale » du deuxième scénario).

Le taux de détection des cris ne semble pas très bon. Cependant, même si tous les cris ne sont pas détectés précisément dans les scènes dénotées «



Scène », la classification par MMG avec les paramètres PLP montre de bonnes performances en termes de nombre de cris identifiés. Une situation critique étant la plupart du temps composée de plusieurs cris, la détection d'une partie de ces cris peut être suffisante afin d'identifier cette situation et de déclencher l'alarme.

Tableau 1.7 : Résultats pour la classification par MMG (1024 lois Gaussiennes, paramètres 20 MFCC et 12 PLP). Les résultats sont montrés

comme le nombre et la durée des cris à détecter pour chaque scénario. scenario scène Etiquetage

manuel GMM

(12 PLP) GMM

(20 MFCC) Scenario 1 Normal

Scène 0 (0 s) 5 (28,4 s)

3 (1,2 s) 4 (10,4 s)

2 (0,8 s) 13 (27,8 s)

Scenario 2 Normal Scène

0 (0 s) 17 (57,4 s)

1 (1,3 s) 17 (34,4 s)

1 (1,3 s) 6 (8,8 s)


0 (0 s) 17 (43 s)

1 (0,5 s) 14 (24,3 s)

0 (0 s) 8 (16,9 s)

Scenario 4 Scène 9 (9,2 s) 9 (9,,5 s) 5 (4,0 s) Les mêmes expériences ont été effectuées avec classification par SVM. Les

résultats sont résumés sur la figure 1.10. Les graphiques montrent que la classification par SVM permet d'obtenir des taux de fausses alarmes inférieurs à ceux obtenus par les MMG. Les meilleurs paramètres sont toujours 20 MFCC et 12 PLP, avec une durée de fausses alarmes de respectivement 6.2s et 7.4s. De plus, les performances en termes de durée de cris correctement identifiés semblent meilleures que pour le cadre MMG.

Nous avons également évalué en détail les résultats obtenus pour ces deux ensembles de paramètres en utilisant la classification par SVM. Les résultats sont décrits dans le tableau 1.8.

Ce tableau nous permet de vérifier que les SVM permettent d'obtenir de meilleures performances en termes de fausses alarmes, exception faite de la scène « Normale » du scénario 2, pour laquelle un ou deux cris sont détectés. De la même manière que pour la classification par MMG, des performances légèrement meilleures sont obtenues avec les paramètres PLP.

Lorsque l'on compare les approches MMG et SVM avec les paramètres PLP, nous pouvons observer que l'approche SVM permet d'obtenir moins de fausses alarmes que la classification par MMG : une seule fausse alarme de 1,3 secondes contre cinq fausses alarmes d'une durée totale de 2,98 secondes. Cependant le taux d'identification des cris est moins bon pour l'approche SVM.



Figure 1.10 : Résultats obtenus en validation croisée avec les SVM. Les identifications correctes correspondent aux parties blanches des barres. Les mauvaises classifications sont representées par les parties grises des barres. Les fausses alarmes sont représentées par la courbe.(a) 12 MFCC + E + Δ +ΔΔ (b) 20 MFCC + E + Δ + ΔΔ (c) 12 LPC + E + Δ + ΔΔ (d)

12 PLP+ E + Δ + ΔΔ



Tableau 1.8 : Résultats pour la classification par SVM, paramètres 20 MFCC et 12 PLP. Les résultats sont donnés en termes de nombre et durée

des cris à identifier pour chaque scénario. scenario scène Etiquetage

manuel SVM

(12 PLP) SVM

(20 MFCC) Scenario 1 Normal

Scène 0 (0 s) 5 (28,4 s)

0 (0 s) 5 (18,7 s)

0 (0 s) 4 (14,8 s)


0 (0 s) 17 (57,4 s)

1 (1,3 s) 11 (29,1 s)

2 (1,3 s) 10 (25,5 s)


0 (0 s) 17 (43 s)

1 (0 s) 11 (23,6 s)

0 (0 s) 14 (28,3 s)

Scenario 4 Scène 9 (9,2 s) 8 (6,8 s) 6 (6,0 s)

7.5. Conclusions et perspectives Nous avons proposé et comparé deux méthodes de classification dans le

but de détecter des cris dans un véhicule de transport public. Les deux méthodes ont été évaluées dans le cadre d'un environnement réel. Cet environnement est très bruité et les deux approches ont montré des performances prometteuses.

Nous avons montré que la méthode SVM est celle qui génère le moins de fausses alarmes tandis que la méthode MMG permet d'obtenir un meilleur taux d'identification. Dans le cadre d'une application à la surveillance, le point le plus important est de ne pas générer trop de fausses alarmes. Le fait de ne pas détecter quelques cris n'est pas très important si nous arrivons à en détecter un nombre suffisant de manière à déclencher l'alarme. Ainsi, un compromis doit être fait afin de choisir la méthode de classification. Les paramètres PLP associés à la classification par SVM est le meilleur choix technique pour notre application.

Les recherches effectuées dans le cadre de ce projet ont pour l'instant donné lieu à deux publications dans des congrès internationaux : IEEE ITSC 2006 (IEEE Conference on Intelligent Transportation System) [18] et ICDP 2006 (Imaging for Crime Detection and Prevention) [21].

8. Résultats en matière de détection du bruit de bombes de peinture

Pour cette étude, nous nous sommes focalisés sur la détection des bruits liés à l'utilisation de bombes de peinture (scénarii de « taggage »). La durée totale des fichiers utilisés est de 3302 secondes (55 minutes -- soit 13 min 45 s par micro). Les bruits liés à l'utilisation de bombes de peinture sont présents dans ces données à hauteur de 250 secondes (4 minutes) sur l'ensemble des 4 micros.



La méthode employée est la méthode classique. Une différence est toutefois à noter en ce qui concerne l'apprentissage des modèles. En effet, nous avons étudié différentes approches de manière à avoir un apprentissage correct en utilisant le moins de données possible, dans l'objectif de ne plus avoir recours à la validation croisée. La validation croisée ne construit pas de modèle utilisable mais ne sert qu'à estimer la robustesse d'un modèle. Cette technique est également assez lourde à mettre en place. Afin d'utiliser les données provenant de différents enregistrements, nous nous sommes donc intéressés aux techniques d'adaptation.

8.1. Paramètres Dans un premier temps, nous nous sommes interrogés sur la pertinence

d'employer les mêmes paramètres que ceux utilisés pour effectuer la détection des cris. En effet, la bande spectrale recouverte par les bruits liés aux bombes de peinture est très large (voir figure 1.11).

Figure 1.11 : Illustration d'un événement de bruit lié à l'utilisation de bombes de peinture (en haut : spectrogramme, en bas : signal sonore)

Or les paramètres utilisés jusqu'ici sont des paramètres orientés parole. Ils

sont calculés uniquement sur les bandes de fréquences nécessaires à la compréhension orale (typiquement entre 300 Hz et 8000 Hz --- bande passante téléphonique).

Il a donc été important de modifier la technique de calcul de ces paramètres afin de prendre en compte la plus large bande de fréquence possible (jusqu'à 20 kHz, puisque nos enregistrements sont effectués à 44,1 kHz).

8.2. Adaptation aux conditions acoustiques De nombreux essais ont été effectués en utilisant les différentes données

d'apprentissage, afin de trouver le meilleur compromis. Nous n'avons utilisé que les données « labo » dans un premier temps, ce qui s'est avéré insuffisant.

Les résultats en détection du bruit de bombes de peinture n'étaient pas satisfaisants (5 % d'identifications correctes - 11 s), de plus le système provoquait de nombreuses fausses alarmes (260 s).

Par la suite, nous avons utilisé les données «studio» et les données «labo» pour l'apprentissage. Cette fois encore, les résultats n'ont pas été concluants



(7 % d'identifications correctes - 20s), ce qui a amené à considérer le problème de l'adéquation aux conditions acoustiques particulière au bus.

Afin de prendre en compte les particularités de cet environnement acoustique, une procédure d'adaptation des modèles [16] a été suivie :

— Le modèle «de fond» (appelé communément Background) est appris. — Ce modèle est ensuite utilisé comme référence pour créer le modèle

«adapté» en utilisant les données «studio» et «labo». — Lors des tests, la décision est faite par rapport au modèle «de fond»

et au modèle «adapté». Cette méthode a permis d'obtenir les meilleurs résultats, consignés dans le

tableau 1.9.

Tableau 1.9 : Résultats en détection de bruits liés à l'utilisation de bombes de peinture

Résultats Attendus

Non Tags Tag

Non Tag (3008 s) 99,4 % (2991 s) 0,5 % (17 s) Tag (269 s) 83,6 % (216 s) 16,4 % (44 s)

Ces résultats illustrent la difficulté de la tâche. Il n'est en effet pas aisé

d'identifier des événements sonores dans un environnement aussi bruité que celui d'un bus de transport urbain en conditions d'exploitation. Il est toutefois remarquable que le taux de fausses alarmes est ici relativement faible.

8.3. Conclusions Considérant le fait que dans un scénario de « taggage » le nombre de bruits

liés à l'utilisation de bombes de peinture est relativement conséquent, les performances en détection ne doivent pas nécessairement être excellentes. Cependant, les résultats obtenus sont à prendre avec précaution. En effet, l'étiquetage manuel des bruits liés aux bombes de peinture est assez délicat et le niveau sonore parfois faible (lié au positionnement des différents micros) les rend difficile à détecter (à l'oreille comme avec le spectrogramme). Dans ces conditions, il convient de s’interroger sur les techniques d'évaluation à employer conformément au cahier des charges. Que doit-on détecter en réalité ? Lorsqu'un bruit est trop faible sur un micro, peut-on se contenter d'une détection sur un micro mieux placé ?

Il serait alors intéressant de se pencher sur des évaluations plus soignées, prenant en compte le rapport signal/bruit (difficile à estimer en conditions réelles).



9. Conclusions et perspectives Les travaux réalisés dans ce projet, bien que permettant déjà d'obtenir des

résultats satisfaisants, ne constituent qu'une pré-étude concernant l'intégration de technologie audio pour la surveillance dans les environnements de transports en commun. Ces recherches doivent évidemment être approfondies, de manière à profiter des dernières avancées techniques, que ce soit dans les domaines de la paramétrisation des signaux audio, des procédés de débruitage et de séparation de sources multicapteur, ou des algorithmes de classification.

D'une manière générale, un des problèmes à résoudre concernent la définition des événements à reconnaître. Si ce problème n'est pas essentiel dans le cas de la détection de bruits liés à l'utilisation de bombes de peinture, la question reste entière pour ce qui concerne l'identification des cris humains. Comment définir un cri ? Quelle est la différence entre quelqu'un qui parle fort et quelqu'un qui crie ? Afin de répondre à ces questions, il serait très intéressant de mener une étude sur l'analyse de conversations menant à des situations de violence verbale qui permettrait de définir s'il existe des différences perceptibles entre la voix « normale » et la voix criée.

Comme nous l'avons vu dans les expériences présentées dans ce rapport, pour obtenir de bonnes performances, il est important de faire le bon choix de paramètres. Les paramètres étudiés dans le cadre de la détection de cris humains sont des paramètres appropriés lorsque l'on cherche à modéliser la parole.

Au cours des expériences menées en détection de bruits liés à l'utilisation de bombes de peinture, nous avons remarqué que la bande spectrale couverte par ces paramètres pouvait ne pas contenir toutes les informations pertinentes pour la détection de ces bruits. Nous avons donc modifié légèrement la méthode de calcul de ces paramètres en élargissant la bande spectrale prise en compte. Cependant, nous n’avons effectué cette modification et ces expériences qu'avec les paramètres de type MFCC. Il est aujourd’hui nécessaire d'effectuer ces expériences en modifiant les méthodes de calcul des autres types de paramètres afin de pouvoir comparer les résultats.

D'autres paramètres pourraient être plus adaptés à la tâche demandée. Des recherches récentes ont montré l'intérêt d'utiliser des transformées en ondelettes, notamment dans le cadre d'un habitat médical sécurisé [7], ou bien en indexation automatique de la bande sonore de documents audio-vidéo (séparation parole/musique [54]).

L'utilisation de techniques de débruitage, qui, même si elle dégradent les caractéristiques spectrales du signal, peut être utile dans le cadre notamment des transports en bus urbain.

Un important travail reste à faire en profitant de la possibilité d'utiliser les 4 microphones de manière à localiser l'emplacement des sources sonores provoquant les alarmes. Ainsi, le capteur audio pourrait aider le système de surveillance vidéo à localiser les personnes incriminées. Les techniques de débruitage et séparation de sources permettraient d'obtenir une amélioration



des performances (en ne considérant que le « meilleur » microphone pour effectuer la détection) et d'obtenir des informations supplémentaires (position du « meilleur » micro et par conséquent positionnement de l'action). Il est important de noter que les performances attendues, tant du point de vue de la détection des événements audio que de leur localisation, sont conditionnées par une répartition et un positionnement judicieux des microphones dans le véhicule.

D'autres méthodes de classification devraient être testées, les résultats obtenus par la classification discriminante (SVM) sont prometteurs, mais méritent d'être confrontés à d'autres approches. Une collaboration avec le Laboratoire d'Analyse des Systèmes du Littoral (LASL, Calais) permet d'envisager la classification non supervisée des événements sonores apparaissant dans le signal audio.

Avec Alissar Nasser [11], nous avons mené des expériences visant à la classification non supervisée pour la séparation de zones de parole/zones de bruit en testant différents types de bruits (bus ou train), zones de parole bruité, bruit sans parole, séparation de deux locuteurs etc. Différentes techniques de classification non supervisée ont été testées dans cet objectif : k-means, Kernel k-means, Spectral Clustering. Ces recherches n'en sont qu'à un stable extrêmement préliminaire, et nécessitent encore un investissement conséquent. La classification ne serait alors plus limitée aux classes recherchées mais permettrait l'identification d'événements nouveaux qualifiant aussi bien le bon fonctionnement des installations que des situations plus critiques.

Menées avec Alissar Nasser, des recherches ont également été engagées dans le but de réduire la dimension des vecteurs d'observation (pouvant aller jusqu'à plus de 60 paramètres) en utilisant les techniques de PCA et Kernel PCA. Ces études doivent également être approfondies et permettraient à terme d'améliorer les performances du système en terme de temps de calcul.

Les techniques d'évaluation peuvent être améliorées. En effet, au cours de cette étude, les techniques utilisées sont classiques dans le domaine de la reconnaissance de la parole. Ces techniques ne sont pas adaptées aux problèmes spécifiques de la détection d'événements dans le cadre de la sécurité dans les transports en commun.

Un travail important reste donc à faire de ce point de vue. Un cahier des charges précis devra être documenté afin de conduire à une procédure d'évaluation spécifique. Les problèmes concernent principalement la qualité de la détection (détecter un événement par scénario peut-il suffire ?), la pertinence de la détection (doit-on détecter un événement sur tous les micros même si le niveau sonore perçu n'est pas égal ?) et la robustesse (évaluer le rapport signal/bruit afin de définir les limites des traitements proposés).

Ce travail, constituant la première étude pour la détection d'événements sonores dans les transports en communs et l'application de cette détection à des tâches de sécurité, permet d'illustrer l'intérêt de compléter les traditionnelles surveillances vidéo. Cependant, malgré de premiers résultats prometteurs, de nombreuses questions restent en suspens, il est donc bien évidemment nécessaire de continuer les recherches dans cette voie.



10. Bibliographie [1] R. André-Obrecht.A new statistical approach for automatic speech seg

mentation. IEEE Transanctions on Acoustics, Speech and Signal Processing, 36(1) pp29–40, 1988.

[2] Régine André-Obrecht. Segmentation et parole, Habilitation à diriger des recherches, Université de Rennes - IRISA, Rennes, June 1993.

[3] W.M. Campbell, J.P. Campbell, D.A. Reynolds, E. Singer, et P.A. Torres-Carrasquillo. Support vector machines for speaker and language recognition. Computer Speech and Language, 20(2-3) pp210–229, April-July 2006.

[4] E. Diday. Cluster analysis. In Digital Pattern Recognition, pages 47–94. Springer Verlag.

[5] E. Didiot, I. Illina, O. Mella, D. Fohr, et J.P. Haton. Une nouvelle approche fondée sur les ondelettes pour la discrimination parole/musique. In Journées d’Etudes de la Parole, 2006.

[6] Hynek Hermansky. Perceptual linear predictive (plp) analysis of speech. Journal of Acoustical Society of America, 87(4) -pp1738–1752, June 1990.

[7] D. Istrate, E. Castelli, M. Vacher, L. Besacier, et J.F. Serignat. Information extraction from sound for medical telemonitoring. IEEE Transactions on Information Technology in Biomedicine, 10(3) :264–274, 2006.

[8] Y. Linde, A. Buzo, et R.M. Gray. An algorithm for vector quantizer design. IEEE Transactions on Communications, 28(1) pp84–95, 1980.

[9] S. Lloyd. Least squares quantization in pcm. Technical report, Bell Telephone Laboratories Papers, 1957.

[10] Jérôme Louradour et Khalid Daoudi. Conceiving a new sequence kernel and applying it to svm speaker recognition. In Eurospeech, Lisboa, Portugal, 2005.

[11] Alissar Nasser, Denis Hamad, et Chaiban Nasr. K-means clustering algorithm in projected spaces. In Fusion 2006, Florence, Italia, 2006.

[12] S. Nowlan. Soft Competitive Adaptation : Neural Network Learning Algorithm based on fitting Statistical Mixtures. PhD thesis, School of Computer Science, Carnegie Mellon University, 1991.

[13] F. Pellegrino et R. André-Obrecht. Vocalic system modeling : A vq approach. In IEEE Digital Signal Processing, pages 427–430, Santorini, July 1997.

[14] Julien Pinquier, Jean-Luc Rouas, et Régine André-Obrecht. Fusion de paramètres pour une classification automatique parole/musique robuste. In Technique et science informatiques (TSI) : Fusion numérique/symbolique, volume 22, pages 831–852. Hermes, 8, quai du marche neuf, F-75004 Paris, 2003.



[15] L. R. Rabiner et R. W. Schafer. Digital signal processing of speech signals. Prentice Hall International, 1968.

[16] Douglas A. Reynolds, Thomas F. Quatieri, et Robert B. Dunn. Speaker verification using adapted gaussian mixture models. Digital Signal Processing, 10(1-3), 2000.

[17] Jean-Luc Rouas, Jérôme Farinas, François Pellegrino, et Régine André-Obrecht. Rhythmic unit extraction and modelling for automatic language identification. Speech Communication, 47(4) pp 436–456, 2005.

[18] Jean-Luc Rouas, Jérôme Louradour, et Sébastien Ambellouis. Audio events detection in public transport vehicle. In 9th International IEEE Conference on Intelligent Transportation Systems (ITSC’2006), Toronto, Canada, Septembre 2006.

[19] Davis S. et Mermelstein P. Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences. IEEE Transactions on Audio, Speech and Signal Processing, 28(4) pp 357–366, 1980.

[20] J. W. Tukey, B. P. Bogert, et M. J. R. Healy. The frequency analysis of time series for echoes: Cepstrum, pseudo-autocovariance, cross-cepstrum, and saphe-cracking. In M. Rosenblatt, editor, Proceedings of the Symposium on Time Series Analysis, volume 15, pages 209–243. New York : Wiley, 1963.

[21] Van-Thinh Vu, Quoc-Cuong Pham, Jean-Luc Rouas, Francois Bremond, Nicolas Allezard, Sébastien Ambellouis, Gabriele Davini, Patrick Sayd, Amaury Flancquart, et Monique Thonnat. Audio-video event recognition system for public transport security. In IET Imaging for Crime Detection and Prevention (ICDP 2006), London, UK, June 2006.

[22] V. Vapnik, Statistical Learning Theory, Wiley-Interscience, New York, 1998




Chapitre 2

Techniques MIMO pour un lien sans fil robuste entre un autobus et un

poste de contrôle

Gérald Moniak, Marion Berbineau, Laboratoire Electronique, Ondes et Signaux pour les Transports INRETS-LEOST 20 rue Elisée Reclus, BP 317 59666 VILLENEUVE D’ASCQ Cedex [email protected], [email protected], Marc Chenu-Tournier THALES Communications

1. Les télécommunications sans fil pour les transports publics urbains

1.1 Le contexte transport Avec le développement de l'électronique, de l'informatique et des

télécommunications, les besoins en transmission dans les transports publics se sont multipliés. Aux besoins de transmissions initiaux liés au contrôle-commande, à l'exploitation et à la maintenance, s'ajoutent aujourd'hui les besoins d'information et de services à destination des clients à tout moment. Il est aujourd'hui communément admis que ces services rendent les transports publics plus attractifs, favorisent les usages multimodaux et augmentent le sentiment de sécurité des clients des transports publics. Ces applications nécessitent des liens de transmission sans fil entre les véhicules de transport public et le sol, entre les véhicules eux-mêmes et à l'intérieur du véhicule.

De nombreux systèmes dédiés à des flottes d'autobus ont déjà été testés. Le lien de communication entre le véhicule et l'infrastructure s'appuie sur des standards de communication existants. Citons à titre d'exemples:



— les systèmes AIGLE et ALTAÏR de la RATP [ESC01] qui utilisent un lien de communication de type TETRA ;

— les projets SECURBUS d'Integral Media à Belfort [SEC02] et LOREIV à Marseille [DAV01] pour lesquels un réseau TETRA ou TETRAPOL doit être déployé,

— en 2004, la RATP a présenté au salon des transports publics un projet d'autobus "communiquant" possédant un lien de communication multi réseaux (GSM, GPRS, UMTS et WiFi ) à l'intérieur du bus. Dans ce système développé en étroite collaboration avec Naxos et CISCO Systems, un routeur permettait de passer d'un réseau à un autre selon la disponibilité optimale. Cette solution permettait de limiter la coupure du lien. Par contre, l'utilisation conjointe de ces réseaux hétérogènes ne permet pas de garantir continuellement le débit nécessaire à une bonne qualité de service.

— La même année, le Projet TESS (Terre ESpace et Société), dirigé par l'INRETS-LEOST [TES04] a aussi proposé un concept d'autobus communiquant expérimenté à Lille avec des autobus de Transpole et exploitant la dualité offerte par des systèmes terrestres et satellitaires. Le lien terrestre utilisait le standard GSM-GPRS alors que le satellite GLOBALSTAR assurait le lien descendant satellitaire par radiodiffusion. La dualité du système permettait la continuité du lien via un intergiciel spécifique qui permettait de mettre en attente les communications dans les zones de non disponibilité des systèmes. Un réseau Wifi était également déployé à l'intérieur du bus.

L'ensemble des résultats disponibles sur ces expérimentations confirme que les débits offerts par les standards de communication sans fil existants dans le sens véhicule vers infrastructure sont largement insuffisants si l'on veut transmettre de la vidéo de qualité. En outre, plusieurs états de l'art récents [IGR06], [TRA06] confirment que les systèmes existants tels que GSM-GPRS, EDGE et UMTS n'offrent pas des débits suffisants en particulier sur le lien montant (autobus vers poste de contrôle) qui sera utilisé pour la transmission des données issues des capteurs audio et vidéo de façon périodique ou à la demande sur déclenchement d'une alarme.

1.2. Les recherches visant l’augmentation des débits de transmission

Dans le monde des télécommunications sans fils ces recherches visent principalement à répondre aux besoins d'Internet sans fil haut débit. Les exigences de haut débit sont essentiellement satisfaites dans le sens descendant pour des besoins de téléchargement et notamment de nombreuses recherches tentent d'optimiser l'usage des ressources spectrales à certaines heures, donnant accès à des débits plus importants et à coûts réduits en dehors des heures de pointe pour du téléchargement ou des échanges multimédia.

Techniques MIMO pour un lien sans fil robuste entre un autobus et un poste de contrôle


Le débit effectif d'un système de transmission dépend des mécanismes de contrôle d'accès au médium de transmission, des mécanismes de contrôle d'erreurs, de la modulation et de la puissance d'émission. La poursuite des hauts débits à partir d'architectures existantes de systèmes passe donc par l'optimisation, séparée ou conjointe, des mécanismes de la couche contrôle de la liaison (DLC, Data Link Control du modèle ISO) et du schéma de mise en forme du signal transmis de la couche physique (PHY, Physical layer). Plusieurs pistes de recherche prometteuses, visant à améliorer les débits, sont identifiées aujourd'hui:

— les techniques utilisant des signaux ultra large bande pour des liaisons courte portée,

— les modulations multi porteuses, — la recherche de nouvelles familles de modulations numériques, — l'optimisation conjointe des fonctions de codage et de modulation, — les techniques itératives appliquant les principes des turbo codes, — les techniques dites Multi-Utilisateurs, — l'utilisation de réseaux d'antennes simultanément à l'émission et à la

réception encore appelée techniques MIMO (Multiple Input, Multiple Output) et les traitements associés.

Les récents standards émergeants de type WMAN tels que la famille des standards WIMAX associent plusieurs de ces pistes (OFDM, Multi-Utilisateurs, turbo codes, MIMO ...).

2. Les standards de réseaux sans fil pour du haut débit en mobilité

2.1. Classification des systèmes Une classification possible des systèmes sans fil s'appuie sur la taille de la

couverture radioélectrique qui permet de distinguer les différents réseaux sans fil, chacun répondant aux besoins d'applications différentes:

— les réseaux personnels WPAN (Wireless Personnal Area Network) de quelques mètres jusqu'à une centaine de mètres ;

— les réseaux locaux WLAN (Wireless Local Area Network) jusqu'à plusieurs centaines de mètres ;

— les réseaux métropolitains WMAN (Wireless Metropolitan Area Network) jusqu'à une vingtaine de kilomètres ;

— les réseaux étendus ou cellulaires WWAN (Wireless Wide Area Network) jusqu'à plusieurs dizaines de kilomètres.

Ces systèmes offrent des caractéristiques techniques et de services qui les rendent plus ou moins bien adaptés aux problématiques transports. Le lecteur



intéressé trouvera dans [TRA06] et [IGR06] une description technique poussée de ces standards et notamment dans [IGR06] les avantages et inconvénients pour des applications ferroviaires sont mis en avant.

Au regard de l'application envisagée dans ce travail, il n'est raisonnablement pas possible d'envisager l'utilisation de réseaux personnels de type WPAN compte tenu de leur portée trop réduite.

Les réseaux cellulaires et notamment les plus récents peuvent en théorie offrir des services intéressants pour l’application visée. L'UMTS par exemple peut offrir des débits très importants (2 Mbps sur le lien descendant) et encore plus dans sa version HSDPA (High Speed Downlink Data Packet Access). Cependant, pour tous ces systèmes, les débits réels sur le terrain sont loin d'atteindre les débits théoriques [IGR06] et ils sont optimisés pour des applications Internet et n'offrent donc pas des débits intéressants pour l'application visée sur le lien montant dans un contexte de mobilité et avec potentiellement des besoins haut-débit pour plusieurs autobus dans une même zone.

Les standards WLAN et en particulier les standards IEEE 802.11x sont aujourd’hui largement utilisés dans notre vie quotidienne mais aussi pour des systèmes de contrôle commande et de surveillance des métros. Pour ces applications transport public, des couches MAC et LLC propriétaires ont parfois été développées en s’inspirant du standard [IEEE802.21] pour la "signalisation", les handovers (passage de la communication de façon automatique et transparente) entre points d'accès radio et la sécurisation poussée du système. Des expérimentations fondées sur un déploiement Wifi le long des lignes d’autobus sont en cours à la RATP. Compte tenu des puissances autorisées en extérieur et des conditions de déploiement de points d’accès Wifi le long des lignes d’autobus, il a semblé plus judicieux et plus prometteur de nous tourner vers des standards susceptibles de couvrir naturellement des zones géographiques plus importantes et notamment les réseaux de type WMAN ou WWAN. Les standards WLAN MBWA et le WiMAX nous ont semblé être des candidats potentiellement plus intéressants dans ce projet EVAS.

2.3.3. Le WiMAX ou les normes IEEE 802.16x Le standard IEEE 802.16x définit un réseau sans fil de type métropolitain

intéressant vu les débits annoncés et la couverture radioélectrique possible. Il connait aujourd'hui un grand engouement de la part des industriels et des opérateurs de télécommunications. Ce standard est aujourd'hui communément appelé WiMAX, nom désignant en réalité le consortium travaillant sur le sujet et poussant à une interopérabilité entre les différentes versions existantes. En parallèle du développement du WiMAX, les coréens ont développé un autre réseau WMAN, le WiBRO. Dans sa première phase celui-ci se rapprochait du système chinois et était incompatible avec le WiMAX. Une deuxième phase est maintenant en route afin d'harmoniser le WiBRO et le WiMAX.



La première version 802.16 du standard parue en 2001 devait fonctionner dans la gamme de fréquence des 10-60 GHz pour des communications en ligne de vue. Les amendements suivants l'ont étendu à des applications sans trajet direct du signal (NLOS, Non Line Of Sight) dans la gamme de fréquence des 2-11 GHz (802.16a en 2003). La version 802.16e sortie en 2005 doit fonctionner dans la gamme 2-6 GHz. Actuellement le standard est donné en Europe pour la gamme de fréquences inférieures à 11 GHz. Ce standard prévoit trois types d'applications : les applications outdoor fixes (du type Internet haut débit sans fil), des applications outdoor-indoor fixes et des applications nécessitant de prendre en compte la mobilité. Ces trois types d'applications sont définis respectivement par les trois groupes IEEE 802.16a (2003), IEEE 802.16d (2004) et IEEE 802.16e (2006).

WiMAX est principalement conçu pour un accès Internet haut débit pour des zones rurales ou urbaines, en mobilité ou non. Un débit de 75 Mbps peut être atteint pour une station de base avec 20 MHz de bande et dans les meilleures conditions de propagation. Dans la réalité, des débits de 11 Mbps sont plutôt envisageables. La couverture radio maximale envisagée est de 50 km (cas idéal avec un débit réduit). Cependant, pour un environnement sans visibilité directe (NLOS), la taille typique des cellules serait de 5 à 15 km. Afin de s'adapter à un environnement NLOS, plusieurs techniques sont préconisées: l'OFDM, le découpage en sous-canaux, l'utilisation d'antennes directives, l'exploitation de la diversité en émission et en réception, l'utilisation de modulations adaptatives, les techniques de codage canal et les techniques de contrôle de la puissance. Enfin les techniques d'accès multiples classiques FDD (Frequency Division Duplexing) et TDD (Time Division Duplexing) sont supportées.

La norme IEEE 802.16a est aujourd'hui la plus aboutie pour des applications outdoor pour des vitesses inférieures à 100 km/h, c'est pourquoi nous l'avons choisie au départ comme base pour l'application développée dans le cadre de ce projet. Le standard IEEE 802.16a est optimisé pour des transmissions outdoor dans le cas NLOS et dans la bande des 2-11 GHz. La liaison proposée est de type point à multipoints.

Trois couches physiques principales sont possibles : — Simple porteuse (Single Carrier, PHY-SCa) — OFDM (PHY-OFDM) — OFDMA (PHY-OFDMA) Toutes les couches utilisent des techniques de multiplexage de type TDD et

FDD. Elles se différencient essentiellement par la modulation et le type d'accès multiple. Les différentes couches possibles peuvent coexister et seront utilisées en fonction de l'application.

Sur la couche physique PHY-SCa , l'accès multiple est géré par du TDMA. Les modulations utilisées sont variables (QPSK, 16QAM, 64QAM) selon la robustesse du lien souhaitée. Le codage canal est la concaténation série d'un code de Reed Solomon et d'un code convolutif qui peuvent être séparés par



une opération d'entrelacement. L'utilisation des modulations codées en treillis est suggérée en option.

La couche PHY-OFDMA se fonde sur une modulation OFDM mais l'accès multiple est du type OFDMA (Orthogonal Frequency Division Multiple Access). Le signal comporte 2048 sous porteuses divisées en 32 sous canaux. 48 sous porteuses sont destinées aux données. La méthode d'accès multiple revient à assigner à chaque utilisateur un jeu de sous porteuses du signal OFDMA. Le codage canal de cette couche physique associe un code de Reed Solomon et un code convolutif.

La couche PHY-OFDM est celle qui a retenu notre attention. En effet, l'utilisation de l'OFDM permet d'obtenir des débits intéressants. De plus, associée aux techniques MIMO possibles dans le standard, la robustesse du lien dans un environnement urbain sera augmentée. La couche PHY-OFDM utilise le TDMA comme technique d'accès multiple et repose sur une forme d'onde OFDM à 256 sous porteuses. Les 192 sous porteuses destinées aux données sont modulées en QPSK, 16-QAM ou 64-QAM (en option). Le choix de la modulation se fait en fonction du débit et de la robustesse souhaités. Cette modulation est précédée d'un codage canal.

Dans la version 802.16d, la couche PHY-OFDM s'est imposée comme la plus convaincante, alors que dans la version 802.16e l'OFDMA semble avoir les faveurs des constructeurs. En pratique, les premiers équipements WiMAX utilisaient essentiellement la technologie 802.16a dont les composants sont rapidement arrivés sur le marché. Mais la tendance est maintenant au WiMAX Mobile dont le potentiel d'utilisation est grandissant. Aussi les premiers systèmes propriétaires sont apparus avant même la fin de la standardisation. On peut citer les systèmes iBurst de Arraycomm mais également les équipements de Flarion ou de WiLAN [DEE].

Nous nous intéressons ici à une liaison point à point entre un bus et une

station de base. Les différents bus accéderont à celle-ci par les techniques d'accès classiques de type TDD ou FDD proposées par le standard. Aussi, en l'absence d'information précise sur la norme IEEE 802.16e, les normes IEEE 802.16a ou d semblent les meilleures candidates pour notre étude. La modulation OFDM offrant un meilleur potentiel qu'une modulation mono porteuse, notre intérêt s'est porté sur les couches l'utilisant. Nous avons donc choisi de nous baser sur la couche physique OFDM de la spécification IEEE 802.16d qui est sensiblement identique à la couche OFDM du 802.16a.

3. Etat des recherches sur les techniques MIMO Les techniques "multi émetteurs, multi récepteurs", plus connues sous

l'acronyme MIMO (Multiple Input Multiple Output) reposent sur l'utilisation conjointe d'un réseau d'antennes à l'émission et à la réception qui améliorent les débits ou la robustesse sans augmenter les puissances d'émission et les bandes de fréquences allouées [FOS98]. En outre, elles permettent de



développer une couche physique se substituant à la couche originale du standard choisi et ce, de manière quasi transparente à la couche MAC. Ces techniques exploitent de façon conjointe la dimension temporelle ou fréquentielle des signaux et la dimension spatiale apportée par l'utilisation de plusieurs antennes à l'émission et à la réception. Les méthodes de traitement des signaux utilisées exploitent ces différentes dimensions ce qui permet d'atteindre des efficacités spectrales beaucoup plus importantes qu'avec des systèmes traditionnels SISO [FOS96], [FOS98]. Un système MIMO est représenté schématiquement sur la figure 2.1.

L'objectif des systèmes MIMO est de tirer partie des trajets multiples dans le canal de propagation grâce à l'utilisation de plusieurs antennes à l'émission et à la réception associées à des traitements spécifiques. Ainsi, dans un milieu de propagation riche en trajets multiples, plusieurs canaux de propagation indépendants peuvent être mis en évidence. Ils correspondent à des modes de propagation « propres » associés aux trajets du signal entre l'émetteur et le récepteur [GUG03]. Les signaux issus des tN antennes d'émission se combinent naturellement dans le canal de propagation. Leur extraction à la réception n'est mathématiquement possible que si le système linéaire n'est pas singulier. Le nombre de modes « propres » correspond au rang de la matrice de canal et est égal au ),( rt NNmin . La singularité du système provient alors de la dégénérescence de la matrice de canal due essentiellement à la présence de corrélation spatiale, d'un trajet prépondérant ou à un phénomène appelé goulot d'étranglement.

Figure 2.1 : Représentation schématique d'un système MIMO

Dans les systèmes MIMO, les traitements sont implémentés soit côté

émetteur, soit côté récepteur, soit des deux côtés simultanément. Trois grands domaines d'investigation ont été identifiés selon que la dimension spatiale est exploitée seule, ou conjointement avec la dimension fréquentielle (compensation des effets de la sélectivité en fréquence) ou avec la dimension temporelle (compensation des effets de la sélectivité temporelle). Les critères



de mise en œuvre de ces différentes techniques dépendent des objectifs visés (l'augmentation des débits ou l'augmentation de la robustesse) mais aussi de la connaissance ou non des propriétés du canal de propagation. Le tableau 2.1 tiré de [GUG03] présente les principales techniques étudiées aujourd'hui. Chacune d'elles permet d'améliorer soit le débit soit la robustesse du système. Un grand nombre de travaux sur les techniques MIMO portent sur les techniques de codage et décodage spatio-fréquentiel et spatio-temporel, le précodage ou la pré-égalisation.

Tableau 2.1 : Les techniques MIMO existantes

Canal connu à la réception

Multiplexage temps-espace, modulations codées en treillis temps-espace, modulations codées temps-espace en bloc

orthogonales, modulations codées temps-espace à diversité

maximale, modulations codées à dispersion linéaire,

modulations codées algébriques, concaténation de codes.

Pré-codage

Canal connu à l’émission

Pré-filtrage, pré-égalisation,

pré-codage.

Pas de sélectivité en temps

et en fréquence

Canal inconnu Modulations unitaires temps-espace, techniques différentielles.

Sélectivité en temps

Récepteur adaptatif, modulation temps-espace, techniques différentielles, concaténation de codes.

Sélectivité en fréquence

Egalisation, techniques MIMO-OFDM,

bancs de filtres, modulations codées temps-espace en bloc

orthogonales. Le codage spatio-temporel (STC) introduit simultanément dans les données

de la redondance spatiale et temporelle. On distingue les codes en bloc des codes en treillis. Les premiers travaux sur les codes spatio-temporels en bloc ont été menés par S. Alamouti [ALA98] sur les codes spatio-temporels en bloc orthogonaux (OSTBC). L'auteur a introduit le seul code de ce type de rendement unitaire. Ce code est cependant limité à l'utilisation de deux antennes d'émission. V. Tarokh [TAR98], [TAR99] le généralisa par la suite de manière à augmenter le nombre d'antennes d'émission. En contre partie de cette amélioration, le rendement n'est alors plus unitaire. Les codes spatio-temporels en treillis (STTC) [TAR98] sont une extension pour les systèmes MIMO des modulations codées en treillis utilisées en SISO. D'une manière



générale ces types de codes spatio-temporels sont des cas particuliers des codes à dispersion linéaire [HAS02]

Le code d'Alamouti a l'avantage d'être simple à décoder et exploiter. De plus il offre le maximum de gain de diversité, 2, pour deux antennes d'émission et une antenne de réception. Cependant, lorsque le nombre d'antennes augmente en réception cette diversité diminue et le code n'est plus optimal. Les Golden codes [BEL05] utilisant deux antennes à l'émission permettent de garder ce gain en diversité. Ils s'appuient sur la théorie des nombres et utilisent

notamment le nombre d'or (Golden number) 2

51= +θ , une des racines du

polynôme 0=12 −−θθ . Les Golden codes ont été généralisés à un nombre plus important d'antennes d'émission (3,4 et 6) dans [OGGO4]. Ils sont alors connus sous le nom de codes spatio-temporels en bloc parfaits et sont valides pour tr NN ≥ .

Les codes présentés ci-dessus imposent de connaître le canal de transmission à la réception pour être décodés. Un étage d'estimation du canal devient alors obligatoire. Lors de la transmission de trames courtes (dans le cas du protocole IP par exemple), cette opération d'estimation devra être répétée de très nombreuses fois. La rapidité du système peut alors être considérablement réduite. Afin de s'affranchir de cette étape, de nombreux travaux portent actuellement sur les techniques différentielles et surtout sur les codes spatio-temporels non cohérents. Ces techniques reprennent le principe des modulations et codages différentiels existant pour les transmissions SISO. Elles peuvent nécessiter une connaissance partielle du canal [DIF04]. Dans ce cas le codage évolue avec l'état du canal. En l'absence d'information sur le canal, il est possible d'appliquer les méthodes différentielles sur les blocs du code STBC [TAO05].

Les codes non cohérents n'exploitent pas d'information sur le canal puisque les méthodes de construction ne le prennent pas en compte. Ils sont fondés sur l'utilisation de matrices unitaires. Deux approches existent: l'une s'appuie sur la théorie des groupes finis [SHO01] ou infinis [JIN05] et l'autre considère la théorie algébrique des codes cycliques [OGG05]. Les recherches s'intéressent de plus en plus à ce type de codes très performants. Ainsi, lors d'une comparaison de codes cohérents et non cohérents dans un canal rapide sélectif en temps et en fréquence [SAU05], il a été montré que les codes non cohérents peuvent être plus performants. Cependant, il faut noter que dans cette étude, la principale faiblesse des codes cohérents réside dans les erreurs fournies par l'estimateur de canal.

Une autre technique, le précodage, donne également lieu à de nombreuses recherches. Cette technique consiste à étaler les symboles à transmettre. En pratique, si le vecteur x représente les symboles à transmettre, il est multiplié par une matrice de précodage. Le résultat est un nouveau vecteur 'x dont chaque élément contient une contribution des symboles originaux. Cette opération peut être vue comme un codage en blocs de rendement unitaire qui transforme la constellation. Avec cette technique, plusieurs répliques du



symbole peuvent subir des dégradations différentes. Il est alors possible en les recombinant d'obtenir un gain en diversité de codage [LEM05]. Ces méthodes peuvent être appliquées pour différents types de canaux même si ceux ci sont destructeurs pour les systèmes MIMO. La différence se fera lors de la construction de la matrice de précodage. De plus, ces techniques peuvent se combiner avec du codage spatio-temporel. Des exemples sont proposés pour des canaux corrélés ou de Rice dans [AKT03], [HJO04], [HJOO6].

Les systèmes MIMO décrits en début de section correspondent à une liaison point à point. De nouvelles approches pour les systèmes MIMO multi-utilisateurs (MU-MIMO) et les réseaux MIMO virtuels (VMIMO) sont apparues et les travaux à ce sujet sont de plus en plus nombreux. La figure 2.2 montre les différentes architectures possibles pour ces systèmes.

Figure 2.2 : Les différents systèmes MIMO

Nous ne nous attarderons pas plus sur ces systèmes MIMO particuliers

puisque dans ce projet nous considérons un lien de communication point à point. Les différents utilisateurs accèdent à la station de base en utilisant des techniques d'accès classiques notamment du type TDMA ou FDMA. Cependant, ces techniques semblent particulièrement prometteuses pour des applications transports.

Dans le projet EVAS, nous avons recherché la création d'un lien de communication robuste. Le canal est connu uniquement à la réception grâce à un étage d'estimation du canal. L'augmentation de la robustesse permet de satisfaire un des deux objectifs suivants: à puissance d'émission équivalente, il est possible d'augmenter soit la qualité de service (diminution du taux d'erreurs), soit la portée du système (pour un taux d'erreurs équivalent). Dans ce dernier cas, le nombre de stations d'émission/réception fixes peut ainsi être diminué, réduisant d'autant les coûts de déploiement du système. Nous poursuivons donc indifféremment l'un ou l'autre des deux objectifs, le choix sera à faire lors du déploiement du réseau et fonction de son utilisation.



En outre, le souci de développer un système quasi temps réel pour l'application envisagée demande la mise en œuvre d'un système de complexité réduite afin de garantir une rapidité d'exécution suffisante. Le rapport complexité/performances donne aujourd'hui l'avantage aux codes STBC orthogonaux dont l'algorithme de décodage possède une complexité moindre. Ces codes génèrent, à partir de ts NN = symboles, des codes orthogonaux de

rendement k

s

NN sous la forme d'une matrice de dimension kt NN × , où tN

représente le nombre d'antennes à l'émission. Afin de lutter contre la sélectivité fréquentielle du canal, la pertinence des techniques MIMO-OFDM est aujourd'hui largement démontrée, l'OFDM facilitant l'égalisation fréquentielle des signaux en réception. Nous allons maintenant présenter brièvement les principales caractéristiques des réseaux sans fil existants ou en cours de standardisation afin d'expliciter les choix effectués dans ce travail.

4. Le canal de propagation radioélectrique MIMO

4.1. Introduction Les performances des systèmes MIMO sont largement dépendantes du

degré de diversité (espace, fréquence, polarisation) dans le canal de propagation. La connaissance et la modélisation du canal de propagation sont donc des étapes indispensables lors de l'analyse des performances d'une chaîne de transmission MIMO afin de valider les différents choix à toutes les étapes du processus de réalisation. Dans ce projet nous avons considéré une station d'émission-réception fixe placée sur un point haut d'une zone urbaine permettant de couvrir les zones de circulation de plusieurs lignes d'autobus dans un milieu urbain dense comme illustré sur la figure 2.3.

Plusieurs familles de modèles MIMO existent dans la littérature. Dans [PAR05] une comparaison de différents modèles est proposée afin d'évaluer leur pertinence à traduire le degré de corrélation spatiale dans le canal. Dans [SHI00] des modèles prenant en compte la géométrie des diffuseurs fixes et mobiles sont étudiés. Plus récemment [OES04] et [J03] analysent la prise en compte de la diversité de polarisation dans les modèles de canal. Ce paragraphe est consacré à la description de quelques modèles connus aujourd'hui dans le but de les utiliser dans l'environnement spécifique transport dans lequel le système étudié sera déployé.



Figure 2.3 : Exemple de positionnement typique pour la ville de Lille

4.2. Phénomènes physiques caractéristiques d'un canal de propagation

Dans un système de transmission SISO (Single Input Single Output), les différents obstacles présents entre l'émetteur et le récepteur (vallonnement du terrain, bâtiments, végétation...) entraînent des perturbations du signal de différentes natures. Ces perturbations sont liées aux phénomènes physiques mis en jeux, à savoir la réflexion sur les surfaces lisses, la transmission (ou réfraction) à travers les parois, la diffraction par les arêtes ou les sommets et la diffusion par les végétaux ou les surfaces rugueuses. La direction de l'onde ainsi que l'amplitude, la phase et la polarisation sont affectées par ces phénomènes [PAR92] qui génèrent des trajets multiples du signal entre l'émetteur et le récepteur. De plus, de façon proportionnelle à la vitesse avec laquelle le mobile se déplace, des décalages fréquentiels appelés décalages Doppler sont introduits sur chaque trajet arrivant sur l'antenne de réception et conduisent à un spectre Doppler qui affecte le signal en réception. Ce phénomène de trajets multiples détermine les principales propriétés du canal de propagation radioélectrique à savoir [PAR92] :

— la variabilité temporelle due aux modifications dynamiques de l'environnement de propagation;

— la variabilité spatiale qui traduit un comportement différent du canal de propagation lorsque l'émetteur et le récepteur sont mobiles. Elle se traduit par les variations à grande échelle et à petite échelle du signal (slow and fast fadings);

— la sélectivité en fréquence directement liée au phénomène de multitrajets et illustrée par la réponse impulsionnelle ou la fonction de



transfert du canal selon que l'on se place dans l'espace des temps ou des fréquences.

Dans un environnement de propagation quelconque, les différentes

répliques du signal générées par les multi trajets sont plus ou moins corrélées en temps, en fréquence ou dans l'espace et ne subissent pas les mêmes affaiblissements si elles sont peu corrélées. L'utilisation conjointe d'un réseau d'antennes à l'émission et à la réception et la mise en œuvre des traitements adaptés permettent de tirer partie de ces différentes diversités. Comparativement aux techniques SISO, les techniques MIMO exploitent avant tout une dimension supplémentaire du canal de propagation: la dimension spatiale qui peut être caractérisée par la corrélation spatiale dans le canal. La corrélation spatiale du canal dépend du degré de corrélation en émission d'une part et en réception d'autre part. Elle est fonction de facteurs tels que l'espacement entre les antennes, les angles d'arrivée et l'étalement angulaire des signaux intimement reliés à la distribution des obstacles dans le canal de propagation. Les variations de polarisation du signal influent également sur le degré de corrélation du canal.

4.3. Représentation mathématique du canal MIMO 4.3.1. Représentation classique du canal MIMO Le canal MIMO pour un système à tN antennes d'émission et rN antennes

de réception peut se décrire comme rt NN × canaux SISO parallèles. Chacun de ces canaux SISO correspond au canal élémentaire entre chaque couple d’antennes )/(

21 xx TR , 1x variant de 1 à rN et 2x variant de 1 à tN . Chaque

sous canal SISO peut être caractérisé par sa réponse impulsionnelle complexe. Celle-ci peut alors être modélisée ou mesurée de façon indépendante comme pour les canaux SISO.

D'après cette description, le canal MIMO prend une forme matricielle. Lorsque l'étalement des retards dans le canal est important au regard de la durée du temps symbole du système de communication MIMO, les réponses impulsionnelles du canal sont représentées par quelques échantillons caractérisant les K trajets principaux de propagation. La matrice des réponses impulsionnelles )(tH s'exprime alors comme la somme de K matrices de canal kH décalées chacune d'un retard kτ .

)(=)(1=

kk

K

k

tHtH τδ −∑ (2.1)

)(tH est la matrice de taille tr NN × représentant le canal caractérisé par K trajets principaux. kH est la matrice ( tr NN × ) des coefficients complexes des réponses impulsionnelles à l'instant kτ .



⎥⎥⎥⎥

⎦

⎤

⎢⎢⎢⎢

⎣

⎡

trNrN

tN

k

Nhh

hhH

,,1

=1,1,1

L

MOM

L

(2.2)

Cette représentation est un modèle de type ligne à retards où les coefficients d'atténuation sont les matrices kH [PED00]. La figure 2.4 illustre cette notation et montre que le canal peut être représenté par une matrice à trois dimensions ( KNN tr ×× ) lors d'une implémentation dans une chaîne de simulation par exemple. Le signal reçu r(t) s'exprime selon (3) :

)()(.=)(1=

tbteHtr kk

K

k

+−∑ τ (2.3)

Si le canal est non sélectif en fréquence, le canal MIMO est parfaitement décrit par une matrice de canal 1= HH de dimension ( tr NN × ) contenant des coefficients complexes variant au court du temps. En supposant que le canal est quasi-statique, c'est-à-dire invariant durant l'émission d'une salve de N symboles, le signal reçu relatif à une salve peut s'écrire de façon matricielle comme l'indique l'équation (2.4). Cette hypothèse d'un canal quasi-statique est utilisée dans le reste de l'exposé. Elle est justifiée par la durée des symboles OFDM ( sμ16 ) considérés comparée aux retards dans le canal de propagation qui sont en milieu urbain souvent compris entre 20 et 50 ns [PAR04].

BHER += (2.4) où R est la matrice de réception NNr × , E la matrice d’émission NNt × , H la

matrice de canal tr NN × et B la matrice de bruit NNr × .

Figure 2.4 : Représentation du canal MIMO en présence de plusieurs trajets principaux

Afin de définir sans ambiguïté le rapport signal sur bruit ρ du système

MIMO, nous avons normalisé les différents signaux en puissance. Les principales caractéristiques sont résumées ci-après:

— les matrices de canal H sont normalisées de telle sorte que la puissance moyenne de leur coefficient soit égale à 1. De plus, pour les canaux



caractérisés expérimentalement, seules les variations rapides du signal reçu sont inclues dans la matrice H

— La puissance totale du signal émis E est fixée à 1 watt. — La puissance du bruit B est fixée à 1 watt. — Le rapport signal sur bruit ρ correspond à la moyenne des rapports

signal sur bruit observés sur l'ensemble des récepteurs. Cette normalisation des grandeurs permet de comparer aisément des

systèmes SISO et MIMO dont les nombres d'antennes diffèrent. Le fait de fixer le rapport signal sur bruit ρ permet de comparer des systèmes possédant la même puissance émise totale et la même densité spectrale de puissance de bruit sur chaque antenne de réception. L'équation régissant le système MIMO à partir des grandeurs normalisées s'écrit :

BHER +ρ= (2.5)

Le système MIMO ainsi normalisé est représenté par la figure 2.6:

Figure 2.6 : Représentation normalisée du canal MIMO adoptée

4.3.2. Représentation du canal MIMO par décomposition en canaux propres

La représentation classique du canal présentée dans le paragraphe précédent repose sur une description du canal par rt NN × canaux SISO modélisés par la matrice H. La diagonalisation du système matriciel correspondant permet d'exprimer le canal comme la superposition de plusieurs canaux "propres" décorrélés. En effet, il a été démontré que le canal de propagation est constitué de la superposition de plusieurs sous canaux indépendants transportant chacun une fraction du signal transmis [BER96, [GAL68]. Le canal MIMO apparaît comme une application linéaire du signal émis E vers le signal reçu R. La décomposition en valeurs singulières [GOL96] de la matrice H permet de diagonaliser le système d'équations (6). Dans la suite de l'exposé, nous utilisons le terme SVD (Singular Value Decomposition) qui désigne la décomposition en valeurs singulières du canal MIMO qui permet de diagonaliser la matrice H. Ainsi, si H est une matrice de taille tr NN × , sa décomposition prend la forme de l'équation (2.7).

HVUH Λ= (2.7)



L'opérateur HX produit la matrice conjuguée et transposée de X (symétrie hermitienne). Les matrices U et V sont des matrices unitaires. Elles vérifient les relations (2.8) et (2.9):

rNH IUU = (2.8)

tNH IVV = (2.9)

La matrice Λ est une matrice diagonale de dimension tr NN × . Elle contient

les n valeurs singulières réelles positives ou nulles 1/2iλ de la matrice de canal

H. Les iλ sont les valeurs propres de la matrice HHH .

Le nombre de valeurs singulières non nulles r correspond au rang Hr de la

matrice H. Nous définissons :

)...,,,(= 1/21/22

1/21 ndiag λλλΛ (2.10)

0... 1/21/22

1/21 ≥≥≥≥ nλλλ (2.11)

),(= tr NNminHr (2.12)

où l'opérateur ),...,( 21 naaadiag produit une matrice diagonale dont les éléments de la diagonale prennent les valeurs 1a , 2a ,..., na . La fonction

),( bamin retourne a si ba ≤ sinon b . A partir de cette description, les coefficients ijh de H s'expriment comme la somme de r canaux indépendants.

*1/2

1=, = jkikk

r

kji vuh λ∑ (2.13)

où *ikv est le conjugué de ikv .

Cette décomposition du canal en valeurs singulières permet de représenter le canal de propagation comme n canaux totalement décorrélés et de coefficients de transfert 1/2

iλ ( i variant de 1 à n ). La valeur de ces coefficients dépend du degré de corrélation et du rang de la matrice de canal H . Plus la corrélation entre les canaux augmente, plus leurs valeurs tendent vers 0 .

La décomposition en valeurs singulières fournit une représentation équivalente à la représentation classique du canal de propagation. Les coefficients de transfert conservent donc la même puissance totale. Cette représentation est plus complexe que la représentation classique. Cependant, la matrice Λ s'analyse rapidement et offre la possibilité de caractériser facilement le canal. A l'aide de cette décomposition, le système MIMO peut être réorganisé selon la figure 2.7. Elle montre alors qu'au plus Hr antennes reçoivent un signal. Les autres antennes, associées à des valeurs singulières nulles, sont considérées comme ne recevant que du bruit. Cette interprétation simplifie le système.



Figure 2.7 : Représentation du canal MIMO

4.4. Capacité d'un canal MIMO 4.4.1. Définition générale de la capacité La théorie de l'information permet de formaliser les mécanismes de

transmission entre une source et un récepteur. En partant du principe que le message à transmettre n'est pas connu du récepteur, la source d'information peut être considérée comme un processus aléatoire [GUG03]. L'entropie et l'information mutuelle mesurent la quantité d'information contenue dans un message [SHA48]. L'information mutuelle est la mesure de l'information contenue dans un processus sur un autre processus. L'information mutuelle

),( yxI entre deux variables aléatoires discrètes x et y se note selon:

)()(),(

log),(=),( ,,

, yPxPyxP

yxPyxIyx

yxyx

yx∑

∈∈ ξχ

(2.14)

où 0}=)(:{= /xPx xχ et 0}=)(:{= /yPy yξ

Shannon a démontré qu'il existe un débit d'information en dessous duquel il est possible de transmettre avec une probabilité d'erreur arbitrairement faible en utilisant un codage suffisamment élaboré. Au-dessus de ce débit, la probabilité d'erreur ne peut plus être annulée. Cette grandeur s'appelle la capacité du canal. Elle est définie comme le maximum de l'information mutuelle entre la source et le destinataire. Pour un canal sans mémoire, elle s'exprime selon:

)),((= yxImaxCxP (2.15)

Elle correspond au débit maximal par unité de fréquence pouvant être transmis sans erreur et est exprimée en bit/s/Hz.

Pour un canal MIMO, le modèle du signal reçu se note selon (2.16) en reprenant le modèle normalisé présenté précédemment :



)()(=)( tbtHetr +ρ (2.16)

où )(te , )(tr et )(tb représentent respectivement les vecteurs d'émission, de réception et de bruit et H est la matrice de canal qui contient les coefficients d'atténuation entre chaque antenne d'émission et de réception.

La capacité s'exprime aussi directement en s'appuyant sur la décomposition en valeurs singulières du canal selon (2.17) [PAR04]

⎟⎟⎠

⎞⎜⎜⎝

⎛+∑

t

kr

k NlogC ρλ1= 2

1=

(2.17)

Cette relation montre clairement que la valeur de la capacité dépend du nombre et des amplitudes des valeurs singulières. La détermination de la capacité repose donc sur la connaissance de la distribution de ces valeurs et dépend fortement des propriétés du canal de propagation. Elle dépend aussi du nombre d'antennes utilisé et augmente avec celui-ci.

Les transmissions de données se font le plus souvent par salves dont la durée est supposée suffisamment courte pour que le canal soit considéré comme constant. A partir du comportement du canal durant cette durée, plusieurs définitions de la capacité peuvent être données [POL03]. Le détail des expressions de ces différentes capacités à partir de la matrice H est aussi donné dans [PAR04].

4.4.2. Paramètres affectant la capacité d'un canal MIMO La capacité du canal dépend fortement de trois paramètres: la corrélation

spatiale, la présence ou non de trajets directs et la polarisation. Dans les paragraphes qui suivent nous allons détailler ces trois phénomènes et leur influence respective. Nous montrerons ensuite comment ces différents paramètres seront pris en compte dans les modèles de canaux MIMO.

Influence de la corrélation spatiale

L'exploitation de plusieurs antennes à l'émission et à la réception ajoute la dimension spatiale au canal de propagation. Cette nouvelle dimension peut se caractériser directement à l'aide de la corrélation spatiale du canal définie comme la corrélation entre chaque sous canaux SISO formé par les couples d’antennes ),( xx RT . Dans un canal non sélectif en fréquence, la corrélation spatiale du canal ou corrélation spatiale totale s'exprime alors selon (2.18) :

[ ]HH HvecHvecER )()(= (2.18)

où ⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

cba

abcXvecx =])[=(=



La corrélation spatiale du canal dépend de nombreux facteurs: l'espacement entre les antennes, les angles de départ et d'arrivée des signaux, l'étalement angulaire associé et lié à la distribution des obstacles/diffuseurs dans l'environnement. Ainsi, pour une même puissance émise ou reçue, plus l'espacement entre les antennes est important, plus la corrélation diminue. L'influence de l'étalement angulaire va dans le même sens. On considère donc souvent qu'un espacement de quelques λ (la longueur d'onde) suffit au niveau du mobile pour obtenir une faible corrélation. En revanche, côté station de base où la puissance est plus élevée, un espacement de 10λ est préférable. Ces grandeurs sont issues des études sur la diversité spatiale mais indicatives et dépendent de la place réellement disponible pour les réseaux d'antennes à l'émission et à la réception.

Hormis la corrélation totale du canal, la corrélation à l'émission, la corrélation à la réception et la corrélation interne du canal peuvent également être considérées.

Les corrélations à l'émission xTR et à la réception

xRR caractérisent la

corrélation du point de vue de l'émetteur et du récepteur. Elles se définissent respectivement par les relations (2.19) et (2.20).

[ ]HHER HxT = (2.19)

[ ]HxR HHER = (2.20)

La corrélation interne du canal ne peut pas s'exprimer à partir des représentations du canal définies précédemment. Cependant, elle apparaît dans certains modèles de canal qui seront décrits par la suite. La corrélation interne traduit la corrélation qui se crée lors de la propagation du signal. Elle dépend directement de l'environnement de propagation, de sa richesse en diffuseurs, de leur position dans l'espace et de la distance émetteur/récepteur.

Les matrices de corrélation telles que définies ci-dessus ne font pas apparaître l'information de puissance dans le canal. C'est pourquoi, il est courant de caractériser la corrélation à l'aide des matrices de covariance. La relation entre les deux représentations est définie par (2.21)

),(=),(=),(baba

bacovbacovbacorσσσσ

(2.21)

où ),( bacor est la corrélation entre a et b , ),( bacov est la covariance entre a et b et aσ et bσ représente les puissances respectives de a et b .

Influence d'un trajet prépondérant

La présence d'un trajet prépondérant conduit à une modification des propriétés de la liaison. Les coefficients de la matrice suivent alors une distribution de Rice et non plus une distribution de Rayleigh. Dans ce cas, il convient de distinguer les zones de faible et fort rapport signal sur bruit SNR



(Signal to Noise Ratio). Pour de forts rapports signal sur bruit, la composante spéculaire n'a pratiquement aucun effet sur la capacité. Les composantes hors visibilité assurent seules le rang plein de la matrice. Pour de faibles rapports signal sur bruit, la composante moyenne conditionne l'expression de la capacité et conduit à une dégénérescence de la matrice du canal. La prépondérance du trajet principal par rapport aux autres se caractérise par le facteur K de Rice. Ce facteur est égal au rapport entre la puissance du trajet prépondérant et la puissance des autres trajets.

Influence de la diversité de polarisation

La diversité de polarisation est utilisée depuis longtemps dans les systèmes cellulaires afin d'améliorer les performances en réception des stations de base. Des travaux récents montrent l'intérêt de son utilisation dans les systèmes MIMO afin de limiter l'encombrement des antennes ou de pallier un manque de diversité spatiale [AND01].

Des études se sont intéressées à l'influence des diversités spatiales, de polarisation et angulaire et à leurs performances dans un système MIMO. Dans [KIM00], l'utilisation de chaque diversité en réception est analysée dans un environnement outdoor urbain. Cette étude s'appuie sur une campagne de mesures. Le degré de diversité est quantifié à partir des fonctions de distributions cumulatives des coefficients d'enveloppe de la matrice de canal. Les résultats obtenus montrent que la diversité de polarisation en réception peut offrir de meilleures performances que les autres diversités si l'émetteur est polarisé horizontalement. Les diversités de polarisation et spatiale ont des performances proches et supérieures à celles de la diversité angulaire pour de longue distance (1 et 2,6 km). La diversité spatiale possède un léger avantage pour une distance émetteur/récepteur de 2,6 km.

D'autres études tentent de caractériser le canal de propagation utilisant la diversité de polarisation. D'un point de vue théorique, Liang Dong & Al [DON05] analyse la capacité d'un canal MIMO 3 x 3 en présence de diversité de polarisation. La capacité du canal obtenue en présence de diversité de polarisation est plus importante dans un environnement outdoor urbain qu'en indoor (≤1dB) ou en outdoor suburbain (environ 1 dB). La capacité du canal avec uniquement de la diversité de polarisation est supérieure à celle utilisant la diversité d'agencement (pattern diversity) en "indoor", "outdoor urbain" et "suburbain".

4.5. Conclusion Dans ce paragraphe, nous avons rappelé les différentes représentations

possibles d'un canal MIMO ainsi que les différentes expressions de la capacité du canal et les principaux paramètres qui l'influencent jouant un rôle prépondérant dans les performances globales du système. La capacité du canal dépend fortement de la corrélation du canal et donc de l'environnement de propagation et de la configuration du système (nombre d'antennes, espacement entre les antennes, position des diffuseurs à l'émission et à la



réception...). La totale décorrélation du canal ne suffit pas à garantir une capacité importante. Le rang de la matrice est prépondérant et peut être affecté par la présence d'un trajet direct. La corrélation du canal de propagation peut être la cause de la dégénérescence de la matrice. Une forte corrélation interne traduit un goulot d'étranglement dans l'environnement de propagation et conduit à une réduction du rang et donc de la capacité du canal. Cependant, le cas d'un canal de rang 1 et totalement décorrélé reste un cas théorique et n'a jamais été observé dans la réalité. Nous allons maintenant présenter quelques modèles MIMO parmi les plus utilisés dans la littérature qui permettent de traduire de façon plus ou moins simple les différents paramètres influençant les performances des systèmes MIMO.

5. Modèles de canal MIMO fondés sur la corrélation

5.1. Introduction L'évaluation des nouveaux systèmes de transmission en simulation

nécessite de disposer de modèles de canaux représentant le plus fidèlement le médium de transmission et capables de traduire les principaux phénomènes physiques influençant les performances. Cet exercice de modélisation est un axe de recherche très actif pour les systèmes MIMO. De nombreux modèles existent ainsi que plusieurs classifications. Un des derniers articles synthétique est [ALM07]. Certains modèles, souvent appelés modèles physiques reposent sur une description géométrique très fine des environnements de propagation prenant en compte éventuellement des propriétés électromagnétiques. D'autres modèles appelés analytiques s'attachent à décrire de façon statistique certaines propriétés du canal comme la corrélation. Certains modèles analytiques exploitent aussi les paramètres de propagation. La polarisation des ondes peut aussi être considérée en faisant apparaître le facteur discriminant de polarisation croisée (XPD) et le rapport de puissance de branches (BPR). Une étude bibliographique détaillée a été menée dans le cadre de la thèse de G. Moniak [MON07] et a servi de support pour les travaux menés dans le cadre du projet EVAS.

Pour les travaux menés dans le cadre du projet EVAS, nous avons considéré les modèles analytiques qui s’appuient sur les propriétés de corrélation dans le canal et en particulier le modèle de Kronecker et le modèle de Weichselberger. L’influence de la diversité de polarisation a été envisagée uniquement dans les mesures réalisées.

De nombreux modèles analytiques pour les canaux MIMO exploitent la corrélation spatiale du canal qui peut être représentée par les matrices de corrélation ou les matrice de covariance. A la différence de la corrélation, la covariance comporte l'information de puissance. Les travaux de J.F. Pardonche, réalisés au laboratoire, ont montré que les modèles exploitant la covariance du canal sont particulièrement intéressants dans des environnements indoor et outdoor corrélés [PAR05]



En l'absence de diversité de polarisation et dans le cas NLOS, la matrice de canal MIMO peut s'écrire d'une manière générale selon la relation (2.22).

GRH H1/2= (2.22)

où 1/2HR est la racine carré de la matrice de corrélation ou de covariance et

G est une matrice dont les coefficients sont indépendants et identiquement distribués i.i.d.indépendant et identiquement distribué. Cette représentation nécessite de manipuler des matrices d'autant plus grande dimension que le nombre d'antennes à l'émission et à la réception est important (matrice à

2)( tr NN × coefficients).

Les inconvénients majeurs de cette représentation résident dans la taille des matrices à manipuler et le côté "abstrait" de la matrice de corrélation totale. D'autres modèles tentent de réduire la taille des matrices à manipuler et décomposent la matrice de corrélation afin de mieux traduire l'environnement de propagation. Parmi ces modèles, deux d'entre eux se détachent dans la littérature: le modèle de Kronecker [KER02] et le modèle de Weichselberger [WEI06] plus récent.

5.2. Le modèle de Kronecker Le modèle de Kronecker repose sur l'hypothèse d'une corrélation à

l'émission et à la réception indépendante l'une de l'autre. Cette hypothèse conduit à la possibilité de formuler la corrélation totale du canal comme le produit de Kronecker des matrices de corrélation à l'émission et à la réception [KER02].

xRxTH RR ⊗Γ = (2.23)

En exploitant cette formulation dans le modèle général on obtient le modèle suivant:

1/21/21/2 )()(=)()(=)(xTxRxRxT RGRHGvecRRHvec ⇐⊗ (2.24)

La corrélation est ici exprimée à l'aide des matrices de corrélation. La covariance peut être utilisée [KYU01]. Le modèle de Kronecker l'exploitant a été vérifié à l'aide d'un logiciel de tracé de rayon dans [CHU02]. Dans [PED00] et [KER00], le modèle utilise les matrices de corrélation en puissance à l'émission et à la réception. La comparaison avec des mesures [BON05] montre que le modèle est proche de la réalité si l'on s'intéresse aux distributions cumulatives des valeurs propres de la matrice du canal. Cependant, l'utilisation de ce modèle dans la simulation de communications entraîne une perte sur l'information de phase. Pour palier ce problème il est proposé dans [PED00] d'introduire l'influence de la corrélation des phases en considérant les angles moyens d'arrivée et de départ par le biais de matrices diagonales.

Ainsi, le modèle de Kronecker est un modèle couramment utilisé de par sa simplicité et de par la taille réduite des données à manipuler ( 22

tr NN + ). Bien que validé dans certains environnements, il n'est valide qu'à la condition que les



directions de départ et d'arrivée des signaux soient séparables et indépendantes. Ainsi, il ne permet pas de traduire l'existence de corrélation croisées entre les deux extrémités du système. En outre, la structure du modèle exclut d'introduire des propriétés statistiques internes du canal et donc de reproduire des effets tel que le goulot d'étranglement. Le modèle de Weichselberger tente de palier ces contraintes.

5.3. Le modèle de Weichselberger Le modèle de Weichselberger [WEI06] est un modèle récent qui essaie de

palier les limitations du modèle de Kronecker en utilisant la décomposition en vecteurs propres des matrices de corrélation et en introduisant une matrice de couplage. Pour cela, quelques hypothèses sont nécessaires:

— La base formée par les vecteurs propres est indépendante du diagramme de rayonnement de l'antenne (puissance, direction) et traduit uniquement l'environnement de propagation (nombre, position et caractéristiques des diffuseurs)

— La valeur des valeurs propres dépend du diagramme de rayonnement. L'application de la décomposition aux matrices de corrélation permet de les

formuler selon (2.25) et (2.26).

HUURxTxTxTxT Λ= (2.25)

HUURxRxRxRxT Λ= (2.26)

xTU et xRU sont des matrices unitaires dont les colonnes sont formées par

les vecteurs propres de xTR et

xRR respectivement. xTΛ et

xRΛ sont des

matrices diagonales composées des valeurs propres des matrices de corrélation respectives. A partir de ces définitions, le modèle de Weichselberger s'écrit selon l'équation (2.27).

TUGUHxTxR )(= •Ω (2.27)

La matrice G est une matrice dont les coefficients sont i.i.d.. Ω est une matrice décrivant le lien entre l'émission et la réception. Ses éléments sont réels et positifs. Ils représentent le couplage de puissance moyen entre les vecteurs propres à l'émission et ceux à la réception. Les coefficients nm,ω de Ω sont définis par l'équation (2.28).

]|*,,|[= 2

, mHuHmuE

xTxRHnmω (2.28)

Ω reflète directement la configuration spatiale des diffuseurs dans le canal de propagation. Elle influence donc le degré de diversité du canal et sa capacité. Un coefficient non nul établi un lien entre les deux modes propres concernés et donc l'existence d'un sous canal. Un coefficient nul indique qu'il n'existe pas de couplage entre les modes propres. La correspondance entre la



structure de Ω et la géométrie de l'environnement peut être réalisée. La figure 2.11 tiré de [WEI06] présente quelques exemples.

Dans le premier cas présenté sur la figure, ( 1Ω ), un seul coefficient est non nul ce qui correspond à un seul trajet exploitable dans le canal de propagation. Ce cas de figure peut correspondre à une transmission en ligne de vue avec un trajet prédominant de forte puissance.

Dans la deuxième structure ( 2Ω ), d'un point de vue émetteur, au moins tN trajets indépendants sont présents. La diversité spatiale est au minimum d'ordre

tN . Pour le récepteur, cette structure est équivalente au cas 1Ω . Le cas est typique d'une transmission MISO ou SIMO. Cependant dans le cas d'un système MIMO, deux causes peuvent être responsables de ce motif:

— L'ensemble des multitrajets issus de xT réalisent leur dernière réflexion sur le même diffuseur.

— La distance entre xR et xT est très grande par rapport à l'étalement des diffuseurs autour de xT . L'étalement angulaire des angles d'arrivée est donc très réduit.

Enfin, dans la troisième configuration, Ω est une matrice diagonale et correspond à un motif où chaque xR et chaque xT possède une et une seule entrée. Un mode propre à l'émission est relié à un mode propre en réception. Il faut noter dans ce cas l'absence de diversité sur les flux transmis. Le degré de diversité est donc équivalent au minimum de tN et rN .

Le cas particulier où Ω est une matrice pleine correspond à un système MIMO à diversité maximale. Il peut correspondre à un canal MIMO dans lequel les réponses impulsionnelles sont i.i.d.. Il peut signifier la présence de nombreux diffuseurs autour des antennes d'émission et de réception et entre les deux. Une comparaison avec d'autres modèles à l'aide de mesures de canaux montre que le modèle de Weichselberger donne une bonne approximation du canal de propagation et s'avère meilleur que le modèle de Kronecker [BON05]. Cependant, il est plus complexe à mettre en œuvre.



Figure 2.11 : Structure de Ω et géométrie de transmission

5.4. Conclusion Nous venons de présenter quelques unes des différentes méthodes

permettant de modéliser le canal de propagation MIMO. L'application traitée implique une mobilité importante et donc une variation importante des paramètres tels que les angles de départ et d'arrivée des signaux, la répartition et la forme des diffuseurs... il nous a paru difficile d'utiliser des modèles fondés sur une description fine de l'environnement. Nous avons donc fait le choix d'utiliser préférentiellement des modèles purement stochastiques. Des campagnes de mesures ont donc été réalisées au cours de nos travaux afin de servir de base à la modélisation. Dans la suite de ce chapitre nous présentons les modèles que nous avons utilisés dans la chaîne de simulation réalisée durant le projet EVAS.

6. Mesure et modélisation de canaux MIMO réels

6.1. Les configurations mesurées Afin d'extraire les paramètres statistiques du canal de propagation et

d'analyser notamment l'influence de la diversité de polarisation, une campagne de mesures des réponses impulsionnelles a été réalisée à l'aide d'un analyseur



de réseau. Le mode opératoire a été développé au laboratoire dans le cadre d'un précédent travail de thèse et est détaillé dans [PAR04]. Les canaux caractérisés sont des canaux MIMO à quatre antennes d'émission et quatre antennes de réception. Pour chacun d'entre eux, la fréquence du canal est centrée sur 2,7 GHz et la largeur de bande observée est de 20 MHz ou 10 MHz. Le choix de la bande sondée a été guidé par les potentialités des émetteurs et du récepteur qui seront utilisés pour les essais en vraie grandeur présentés dans le dernier chapitre de ce mémoire. Trois configurations ont été étudiées. Toutes ne traduisent pas un environnement transport spécifique car la méthode employée limite les distances émetteur/récepteur possibles et la mobilité du matériel.

— Diversité spatiale dans un environnement suburbain NLOS (Canal SU-S). Les mesures ont été réalisées sans ligne de vue directe entre l'émetteur et le récepteur et dans un environnement suburbain avec peu de diffuseurs. Des antennes patch à polarisation horizontale sont utilisées.

— Diversité spatiale dans un couloir en ligne de vue (Canal C-S). La mesure a été réalisée dans un couloir en ligne de vue de l'émetteur afin d'obtenir un canal fortement corrélé avec un trajet direct avec des antennes patch à polarisation horizontale.

— Diversité spatiale et diversité de polarisation +/- 45° dans un couloir en ligne de vue (Canal C-S+P). Les mesures ont été réalisées dans le même environnement que le canal C-S mais en exploitant simultanément la diversité spatiale et la diversité de polarisation. Les antennes patch utilisées ont une polarisation à +/- 45 degrés. Nous avons choisi ces polarisations car [LEM98] montre que lorsque deux degrés de polarisation sont utilisés, la configuration +/- 45 degrés offre de meilleures performances en comparaison des configurations Horizontale/Verticale ou des configurations à une seule polarisation.

La configuration des antennes à l'émission et à la réception pour chaque mesure est représentée sur la figure 2.12.

Figure 2.12 : Configuration des antennes pour les différents canaux mesurés



6.2. Corrélation spatiale et capacité des canaux mesurés Dans cette étude, les canaux étudiés sont caractérisés à l'aide des matrices

de corrélation, de la distribution des coefficients de la matrice de canal, de la capacité et le cas échéant du XPD ou du BPR. Afin d'évaluer ces caractéristiques nous considérons en référence des canaux théoriques de Rayleigh et de Rice non corrélés. Le canal de Rice est modélisé suivant l'équation (2.29).

rayldirectpathrice HKHKH −+ 1= (2.29)

où TdirectpathH αβ= représente le trajet direct fixe. aje φα = et dje φβ = sont

des vecteurs de tailles respectives 1×rN et 1×tN et fonction des angles de départ dφ et d'arrivée aφ qui suivent une distribution uniforme entre π− et π .

raylH représente les multitrajets variables et est modélisée comme un canal de Rayleigh. K est le facteur de Rice tel que 1<0 ≤K .

Dans un premier temps, nous considérons la corrélation des canaux présentés. La figure 2.13 présente les matrices de covariance des canaux mesurés. La pauvreté en réflecteur de l'environnement de propagation du canal SU-S induit une très forte corrélation spatiale en émission et en réception. Celle-ci est bien supérieure à celle présente pour les deux autres canaux même si ceux ci sont en ligne de vue.

Pour les canaux C-S et C-S+P, la corrélation spatiale est moins importante en raison de la richesse en diffuseurs de l'environnement. Les matrices de covariance de ces deux canaux sont assez proches. Afin de comparer plus efficacement les deux canaux, nous calculons les matrices de corrélation. Le tableau 2.2 présente les valeurs minimales, maximales et moyennes issues des matrices de corrélation de ces canaux. Nous constatons que la corrélation moyenne à l'émission et à la réception est significativement réduite lors de l'utilisation de la diversité de polarisation. Cette technique semble donc intéressante même en présence d'un trajet prépondérant et doit améliorer la capacité du canal.



Figure 2.13 : Matrices de covariances des canaux mesurés.



Tableau 2.2 : Corrélation minimale, moyenne et maximale des différents canaux

CANAL SU-S CANAL C-S CANAL C-S+P minimale 0,67 0,13 0,06 moyenne 0,78 0,33 0,21

Corrélation à

l’émission maximale 0,86 0,52 0,31 minimale 0,30 0,27 0,04 moyenne 0,55 0,40 0,17

Corrélation à la

réception maximale 0,78 0,67 0,31 Les capacités respectives de chaque canal mesuré en fonction du rapport

signal sur bruit sont représentées sur la figure 2.14 et comparées aux capacités de référence d'un canal de Rayleigh et d'un canal de Rice non corrélés avec K=0,5 et K=0,9. Pour de faible rapport signal sur bruit (< 6 dB) la différence entre les canaux mesurés reste faible alors que lorsque ce rapport augmente l'utilisation de la diversité de polarisation apporte un gain significatif au système (près de 2 dB pour une capacité de 15 bits/s/Hz).

Figure 2.14: Capacité des canaux considérés

Afin de réutiliser ces canaux dans la chaîne de simulation, nous avons

évalué deux modèles : le modèle de Kroneker fondé sur la covariance et le modèle de Weichselberger pour les canaux exploitant la diversité spatiale seule. Nous rappelons que la polarisation n'est pas considérée dans ces modèles.



Modélisation des canaux réels à diversité spatiale La matrice de couplage telle que définie dans le modèle de Weichselberger

a été générée à partir des mesures. Les matrices obtenues sont présentées sur la figure 2.15.

Figure 2.15 : Matrices de couplage du modèle de Weichselberger

Nous pouvons observer qu'il existe peu de sous canaux de propagation pour

le canal SU-S. On note également la présence d'un mode de propagation prépondérant. Ceci est confirmé par la valeur de la capacité calculée précédemment. Pour le canal C-S, le degré de diversité côté récepteur est très important alors que la diversité est plus faible côté émetteur avec deux trajets prédominants. L'ajout de la diversité de polarisation dans le canal C-S+P modifie la structure de la matrice de couplage de manière importante et augmente la diversité à l'émission. Il existe alors de nombreux modes de propagation.

Ainsi pour chaque canal, un modèle de Weichselberger et un modèle de Kronecker ont été générés. Les capacités de chaque modèle ont été comparées avec celles des canaux mesurés. La fonction cumulative de la distribution de l'enveloppe des coefficients de H a également été étudiée.

La figure 2.16 présente les différentes fonctions cumulatives des distributions d'enveloppe des coefficients respectivement pour chaque canal mesuré et les modèles associés. Les résultats obtenus avec les deux modèles sont assez proches. Le modèle de Weichselberger semble meilleur dans le cas du canal C-S+P par rapport aux deux autres canaux.

Les évolutions des capacités en fonction du rapport signal sur bruit sont présentées figure 2.17. Il apparait que les deux modèles ont tendance à sous estimer la capacité du canal. En particulier, cette sous estimation augmente lors d'une forte corrélation spatiale dans le canal à modéliser. Le modèle de Weichselberger semble légèrement meilleur que le modèle de Kronecker pour les canaux SU-S et C-S+P. Le modèle de Kronecker est meilleur pour le canal C-S.

En conclusion, les deux modèles donnent des résultats très voisins. Le modèle de Weichselberger possède l'avantage de considérer les interactions possibles entre la corrélation à l'émission et à la réception par l'intermédiaire de



la matrice de couplage. C'est pourquoi nous considérons cette modélisation lors de l'utilisation des canaux réels à diversité spatiale seule dans les simulations.

Figure 2.16 : CDF des enveloppes des coefficients pour les différents modèles dans les canaux mesurés

Canal SU-S

Canal C-S



Canal C-S+P

Figure 2.17 : Capacité moyenne pour les différents modèles dans les canaux mesurés

Canal SU-S



Canal C-S

Canal C-S+P

Pour le canal C-S+P, l'utilisation de ces modèles ne peut pas être satisfaisante car aucun des deux ne permet la modélisation de la diversité de polarisation du canal. En outre, l'étude bibliographique réalisée a montré qu'il n'y avait pas encore de modèle établi pour sa représentation dans le cas d'un canal MIMO 4x4. Nous avons pris la décision d'exploiter directement le canal mesuré lors des simulations.



6.3. Conclusion Dans ce paragraphe, les différentes méthodes de représentation du canal

MIMO ont été présentées. La définition la plus couramment considérée de la capacité a été rappelée. Cette grandeur dépend fortement des propriétés statistiques du canal liées à l'environnement de propagation. Plus particulièrement, elle est influencée par la corrélation du canal, la présence d'un trajet prépondérant ou de l'utilisation de la diversité de polarisation. Lors de la modélisation d'un canal MIMO il est donc important de considérer ces paramètres.

Nous avons privilégié l’utilisation des modèles analytiques qui exploitent les propriétés statistiques du canal. Ils offrent une utilisation plus souple. L'importance de l'influence de la corrélation dans le canal MIMO nous a conduits à considérer plus particulièrement les modèles faisant appel à ce paramètre : les modèles de Kronecker et celui de Weichselberger.

Enfin, nous avons réalisé une campagne de mesures dans trois configurations spécifiques distinctes : un canal avec diversité spatiale en milieu suburbain et sans ligne de vue, un deuxième canal avec diversité spatiale dans un couloir en ligne de vue et un troisième canal avec diversité spatiale et diversité de polarisation dans un couloir en ligne de vue. Les matrices de covariance et les capacités de ces canaux sont présentées. Enfin, une comparaison des modèles de Kronecker et de Weichselberger générés à partir des mesures a conduit à considérer ce dernier modèle pour les canaux utilisés en simulation.

7. La chaîne de transmission en simulation

7.1. Introduction Cette partie est consacrée à la chaîne de transmission développée pour

tester plusieurs solutions de traitements en simulation sur la base de deux antennes à l'émission et de quatre antennes à la réception. Les étapes de synchronisation et de correction de phase sont considérées comme parfaites et le récepteur a une connaissance parfaite du SNR. Deux architectures différentes sont considérées et se distinguent par les traitements réalisés en réception (itératif ou non). Dans un premier temps, la partie émettrice (commune) est détaillée puis les deux récepteurs considérés sont décrits. Nous explicitons brièvement les algorithmes implémentés dans chaque partie de la chaîne. Nous présentons ensuite les performances obtenues dans un canal de propagation connu en fonction du rapport signal sur bruit. L'influence du canal de propagation est mise en évidence. Plusieurs estimateurs sont ensuite envisagés et nous précisons nos choix. Dans la dernière partie, la chaîne complète est testée pour différents modèles de propagation en fonction du rapport signal sur bruit et nous concluons.



7.2. L'émetteur La chaîne d'émission se fonde sur la couche physique du standard IEEE

802.16d [IEEE 802.16-2004] exploitant l'OFDM. Un schéma synoptique du module d'émission développé est donné figure 2.18.

L'émetteur se décompose selon les étapes classiques suivantes que nous allons présenter:

— Un étage de codage canal qui permet de détecter et corriger un certain nombre d'erreurs. Des bits de redondance sont générés et ajoutés au signal de départ. Le débit initial est diminué. L'entrelacement permet de répartir les erreurs aléatoirement dans la trame et augmente l'efficacité des codes. Le poinçonnage permet d'adapter le débit final.

— La modulation M-aire compacte les données. — Le codage spatio-temporel introduit de la diversité spatiale et temporelle

et augmente la robustesse du lien. — La modulation OFDM et la mise en forme des trames exploitent la

diversité fréquentielle. Le canal est découpé en sous canaux de bande étroite ce qui simplifie les traitements en réception.

— Cet étage correspond à la mise en forme des trames et à l'insertion des symboles OFDM pilotes.

Figure 2.18 : Emetteur du système développé

7.2.1. L'étage codage canal L'étage de codage canal repose sur la concaténation série d'un code de

Reed Solomon (RS) et d'un code convolutif (CC). Le code RS permet la correction de blocs d'erreurs. Le CC est plus efficace pour la correction des erreurs éparses. Un étage traditionnellement appelé "randomizer" est spécifié



dans le standard et se place avant le code RS. Il transforme les données issues de la source en données pseudo aléatoires à l'aide d'opérations binaires et de registres à décalages.

Le code de RS est un code systématique qui génère 255 octets pour 239 octets en entrée. Il peut corriger jusqu'à 8 octets. Les polynômes générateurs sont donnés dans [IEEE 802.16-2003].

Ce code RS est concaténé en série avec un code convolutif non récursif et non systématique. Il est de rendement 1/2 et de polynômes générateurs

octG 171=1 et octG 133=2 . Le standard spécifie également l'utilisation de turbo codes en bloc et convolutifs pour la couche physique OFDM. Ces deux méthodes de codage sont cependant optionnelles et ne sont pas considérées dans l'étude présentée. Une description détaillée de ces types de code et de leur mode de fonctionnement est proposé dans [PRO95]

A la sortie de cet étage, une opération de perforation est réalisée afin d'adapter le rendement de la chaîne au débit désiré. Cette opération consiste à supprimer des bits du signal afin d'adapter le débit de sortie à la valeur souhaitée. En considérant le masque ]1011[ proposé dans [IEEE802.16-2003], np le symbole émis par la sortie 1 du codeur à l'instant n et nq le symbole émis par la sortie 2 à l'instant n , le masque appliqué sur les données

][ 2211 qpqp donne en sortie ][ 211 qqp . Après cette opération, le rendement du code convolutif est égal à 2/3 et le rendement global de la chaîne devient 1/2 .

Le codage canal est suivi par une opération d'entrelacement qui permet de réduire la corrélation des bits entre eux. Nous utilisons l'entrelacement en bloc du standard décrit dans [IEEE802.16-2004]. Cet entrelacement consiste à remplir une matrice avec les données en entrée puis à effectuer des permutations entre les lignes et les colonnes.

7.2.2. Modulation et diversité spatiale Les données binaires issues de l'étage de codage canal sont ensuite

modulées. Le standard propose un système de modulation adaptatif utilisant la BPSK, la QPSK, la 16-QAM ou la 64-QAM. Cette dernière est en option pour la couche PHY-OFDM. Le choix de la modulation s'effectue en fonction de la qualité du signal et du débit souhaités.

Dans le standard, deux stratégies de codage des constellations des modulations sont proposées : le codage de Gray et le codage dit "pragmatic" que nous appelons dans la suite codage pragmatique. L'intérêt des différents codages de constellation pour une même modulation (appelé aussi par le terme anglophone mapping) est d'adapter celle-ci au canal de transmission et aux traitements en réception de façon à maximaliser les distances entre symboles pour une meilleure détection. Cette méthode permet également d'augmenter la quantité d'information contenue dans chaque symbole. Dans [SEZ03], A. Sezgin montre que la stratégie de codage de la constellation d'une modulation peut influencer fortement les performances d'un système de réception itératif à



plusieurs antennes, cependant, aucune stratégie particulière n'est préconisée. Les performances de trois stratégies différentes (codage de Gray, codage pragmatique et codage par défaut dans Matlab) seront évaluées.

L'option de diversité spatiale proposée dans la définition du standard a été implémentée. Cette option conduit à l'utilisation en émission du code spatio-temporel en bloc STBC (Space Time Bloc Code) présenté par S. Alamouti [ALA98] en 1998. Ce code spatio-temporel de rendement unitaire est construit pour deux antennes d'émission et peut être représenté sous la forme matricielle (2.31).

⎥⎦

⎤⎢⎣

⎡− *

1*2

21=ssss

G (2.31)

où 1s et 2s sont les symboles issus de la modulation.

La modulation OFDM est ensuite appliquée à chaque sortie du codeur spatio-temporel.

7.2.3. Rappel sur la modulation OFDM Le principe de la modulation OFDM a été introduit par Chang dans les

années 60 [CHA66]. L'utilisation des propriétés d'orthogonalité permet d'améliorer l'efficacité spectrale du signal par rapport aux techniques de multiplexage fréquentiel classiques. Le signal OFDM peut alors être compris comme la somme de sous porteuses orthogonales. Cependant, dans les canaux multi trajets l'othogonalité entre sous porteuses est perdue et il se crée alors des interférences entre sous porteuses. Afin de lutter contre ce phénomène, l'ajout d'un préfixe cyclique proposé par Peled et Ruiz [PEL80] est maintenant communément admis. Au lieu d'utiliser un intervalle de garde entre deux symboles afin de limiter les risques d'interférences entre symboles ou entre porteuses, celui-ci est remplacé par une extension cyclique du symbole OFDM. Cette opération place en début de symbole une copie de sa fin comme illustré sur la figure 2.19.

Figure 2.19 : Ajout du préfixe cyclique au symbole OFDM



Représentation mathématique de l'OFDM :

Il est possible de représenter mathématiquement le signal OFDM. Nous considérons le i-ième symbole OFDM )(tsi composé de N sous porteuses, ayant une largeur de bande de W Hz et une durée de T secondes dont cpT

secondes correspondant à la durée du préfixe cyclique. Ce symbole OFDM s'écrit dans le domaine continu sous la forme (2.32)

)(=)( ,

1

0=

iTtxts kik

N

ki −∑

−

ψ (2.32)

avec iNi xx 1,0, ... − les données complexes de la constellation modulant chaque sous porteuses et kψ la forme d'onde d'une sous porteuse définie par l'équation (2.33).

⎪⎩

⎪⎨

⎧∈

−

−

sinon0

][0,si)1

=)((2

TteTTt

cpTtkNWj

cpk

π

ψ (2.33)

Propriétés

L'utilisation de l'OFDM permet : — Une bonne efficacité spectrale et donc des débits importants — Une bonne résistance aux multitrajets si l'étalement des retards est

inférieur à la durée du préfixe cyclique — Une égalisation simplifiée en divisant l'ensemble du canal en N sous

canaux En pratique, les performances d'un système OFDM dépendent

essentiellement de sa résistance aux interférences entre symboles et entre porteuses provoquées par un étalement des retards trop important par rapport à la taille du préfixe cyclique mais aussi par une perte de l'orthogonalité du fait de la mobilité (effet Doppler), des erreurs de synchronisation et des décalages en phase ou en fréquence des oscillateurs locaux. Des codes correcteurs d'erreurs sont de plus en plus souvent utilisés afin d'améliorer la robustesse des systèmes OFDM [LEF95]. Cette méthode est connue sous le nom d'OFDM codée COFDM (Coded OFDM).

Enfin des distorsions liées à une mauvaise dynamique des amplificateurs et à l'application de la transformée de fourrier inverse peuvent également apparaître. Cela se traduit par l'apparition de symboles ou d'échantillons de très forte amplitude par rapport à la puissance moyenne du signal. Ces fluctuations de l'enveloppe du signal sont mesurées à l'aide du rapport de puissance crête sur la puissance moyenne du signal PAPR (Peak to average power ratio). Ce problème fait l'objet de nombreuses recherches. Parmi les propositions, nous



citerons l'utilisation d'amplificateur linéaire à saturation (clipping) [ONE95] ou les techniques de fenêtrage [PAU98], [VAN98]. Ces méthodes peuvent être associées aux codes correcteurs d'erreurs ou à des méthodes de précodage qui permettent d'étaler l'énergie du signal. Une vue d'ensemble de toutes ces techniques permettant de lutter contre le PAPR est présentée dans [HAN05].

Après l'application de l'OFDM sur chaque antenne d'émission, le signal est structuré sous la forme de trames regroupant plusieurs symboles OFDM. Cette structure varie d'un système à un autre et inclus souvent de nouveaux symboles ne transportant pas les données. Ces symboles transportent des données protocolaires ou sont utilisés pour faciliter la tâche du récepteur.

Les trames de données transmises

La structure des symboles et des trames utilisées est décrite par la figure 2.20. Le symbole de données a une structure identique à celle du standard alors que la trame employée utilise deux préambules bien que le standard n'en préconise qu'un seul sur le lien montant. Cette modification nous permet d'augmenter la robustesse de l'estimation du canal que nous étudions ultérieurement.

Figure 2.20: Structure des symboles et des trames OFDM

Les symboles OFDM chargés de transporter les données sont composés de

256 sous porteuses (sans le préfixe cyclique). Ils possèdent 8 sous porteuses pilotes (sous porteuses chargées avec un symbole connu), 192 sous porteuses pour les données et 56 sous porteuses non chargées (la composante continue et les sous porteuses latérales). Les sous porteuses pilotes peuvent aider à l'estimation du canal. On peut noter que les sous porteuses latérales ne sont pas chargées. Cette technique permet de limiter les risques de perte de données en cas d'interférences entre symboles.



La trame OFDM est composée tout d'abord de 2 symboles OFDM connus ou préambules. Ils sont suivis de N symboles OFDM transportant des données. La structure des préambules ne correspond pas à celle du standard. En effet, le standard n'est pas conçu à l'origine pour utiliser plusieurs antennes à l'émission et à la réception. Aussi, il n'est pas proposé de préambule spécifique pour chaque antenne d'émission. Nous avons donc choisi de charger les préambules à l'aide de données aléatoires. Ces données ont comme valeurs possibles celles utilisées dans les préambules du standard à savoir : (-1,1,0). Les préambules utilisés sont donc chargés d'une séquence aléatoire composée de 0, de -1 et de 1. Chaque antenne d'émission possède des préambules différents. Le choix de cette méthode facilite l'estimation du canal de propagation. En effet, cette étape peut nécessiter une inversion de la matrice représentant le signal connu. Or, l'utilisation des mêmes préambules pour les trames émises à chaque antenne d'émission conduit à une matrice du signal déficiente.

7.3. Les récepteurs 7.3.1. Le choix des récepteurs à implémenter Pour un système d'émission défini, il est possible de concevoir plusieurs

récepteurs. Ils se différencient par leur architecture, les algorithmes utilisés et bien entendu leurs performances. Dans ces travaux nous proposons de classer les différentes architectures existantes selon trois catégories: les récepteurs simples ou 'classiques', les Turbo-récepteurs et les récepteurs exploitant des méthodes de traitement conjoint.

— La structure des récepteurs classiques est simple et plus ancienne. L'émetteur comme le récepteur sont décomposés en modules indépendants. Chacun réalise une opération spécifique sur les données (codage, modulation, etc.). A un module d'émission correspond un module en réception effectuant l'opération inverse. A ces modules il convient d'ajouter des modules dédiés à une opération spécifique dans la chaîne de réception (synchronisation, estimation du canal, etc.). Dans ce cas de figure, chaque module est optimisé indépendamment des autres.

— Les récepteurs à traitement conjoint se fondent sur des techniques d'optimisation conjointe de plusieurs modules. Parmi elles, les techniques de codage conjoint source/canal sont pertinentes pour notre application où des données audio et vidéo sont utilisées. Dans ces techniques, une optimisation conjointe des modules de codage source et de codage canal est réalisée. Ces fonctions sont le plus souvent entrelacées. Ces méthodes nécessitent d'être prises en compte à l'émission et à la réception. Elles font l'objet de recherches intensives. Elles n'ont pas été prises en compte dans nos travaux mais un travail de thèse a été lancé en commun sur ce sujet [FAT06]. Une modification importante de la chaîne est nécessaire.



— Les Turbo-récepteurs introduisent dans leur structure une boucle de rétroaction créant ainsi un processus itératif. A l'origine, cette technique a été mise en place dans le décodage des Turbo-codes inventés par Claude Berrou et Alain Glavieux [BER96].

A l'émission, les premiers Turbocodes étaient formés par la concaténation de deux codes convolutifs séparés par un étage d'entrelacement des données. En réception un processus itératif est réalisé entre les deux décodeurs. Ces derniers utilisent des algorithmes à entrée et sortie souples (la définition de ces types d'entrées est donnée dans la section suivante). Le processus itératif se traduit par l'échange d'information sur les bits décodés ou codés entre les deux modules. Les Turbo-codes ont maintenant prouvé leur efficacité et sont utilisés pour des communications satellitaires ou dans des standards récents (en option dans le WiMAX). Face à ce succès, de nombreuses recherches autour de ces principes Turbo ont permis leur extension à d'autres modules de la chaîne de transmission (détection, démodulation, égalisation...).

Pour un même algorithme en réception, la nature des sorties varie selon la méthode décisionnelle de l'algorithme. Deux types de décisions sur la valeur des symboles de sortie peuvent être prises : les décisions dites dures ou fermes et les décisions dites souples.

— Dans l'approche à décisions dures, le module prend une décision ferme sur la valeur de chaque symbole de sortie. Il quantifie l'information du symbole de sortie. Les valeurs de sortie possibles ou l'alphabet des sorties du récepteur coïncident alors avec l'alphabet des entrées du module d'émission correspondant. A titre d'exemple, la valeur 0 ou 1 est affectée à chaque symbole si on considère des bits dont les valeurs peuvent être égales à j+1 ou j33− pour les symboles issus d'une modulation 16-QAM.

— Dans le cas d'un traitement à décisions souples, c'est une information sur la valeur du symbole ou de la séquence traitée qui est transmise en sortie vers l'étage suivant. A titre d'exemple, cette information peut prendre la forme de la probabilité que le bit décodé soit égal à 1 . A la fin de la chaîne utilisant cette méthode, une décision ferme est prise sur la valeur du symbole en fonction de cette information.

Nous avons donc considéré les deux récepteurs suivants: — avec des algorithmes à décisions dures. Ce récepteur de faible

complexité répond parfaitement à des contraintes de temps de calcul. En revanche, les performances attendues seront inférieures à celles d'un récepteur plus élaboré.

— avec le principe des Turbo processus entre le décodeur du code convolutif et le décodeur spatio temporel du code d'Alamouti. Tous deux utilisent des entrées et sorties souples. Les autres modules sont identiques à ceux du récepteur classique. La complexité du récepteur est plus importante et le temps de calcul également. Cependant, ce



récepteur doit offrir de meilleures performances que le récepteur classique.

Les paragraphes suivants détaillent les algorithmes utilisés pour ces deux récepteurs.

7.3.2. Le récepteur classique Pour le récepteur classique à décisions dures, les étapes inverses de celles

de l'émetteur sont réalisées une à une. La chaîne de réception développée peut alors être schématisée sur la figure 2.21.

Figure 2.21 : Le récepteur à décisions dures

Après réception du signal, la démodulation OFDM est réalisée sur chaque

antenne de réception par application d'une simple transformée de Fourier rapide sur 256 points (nombre de sous porteuses) précédée de l'extraction du préfixe cyclique. Les données utiles sont ensuite récupérées sur les porteuses adéquates. Le décodage du code d'Alamouti puis la démodulation sont ensuite effectués. L'opération de désentrelacement est suivie par l'annulation de la perforation qui consiste à remplacer les bits manquants par des bits égaux à 0. Le décodage du code convolutif est implémenté selon l'algorithme de Viterbi [VIT67]. La dernière opération porte sur le décodage du code de Reed Solomon selon l'algorithme de BerleKamp-Massey [BERL68], [MAS69]

7.3.3. Le turbo récepteur Le récepteur itératif considéré est représenté par la figure 2.22. Comme

pour le récepteur à décisions fermes, la démodulation OFDM est d'abord



réalisée sur chaque antenne de réception. La sortie des démodulateurs est injectée en entrée du décodeur spatio-temporel à entrées et sorties souples. Le processus itératif s'effectue entre ce module et le décodeur du code convolutif à entrées et sorties souples. Le processus se traduit par l'échange d'informations entre les deux décodeurs. Dans les processus itératifs trois types d'information sont couramment distinguées: l'information a posteriori, l'information a priori et l'information extrinsèque.

L'information a posteriori représente l'information sur la valeur du symbole traité sachant l'ensemble de la séquence reçue. Dans les traitements itératifs elle prend souvent la forme du logarithme du rapport de vraisemblance ( LLR , Log Likelyhood Ratio). Si les symboles considérés sont des bits alors le LLR est défini par l'équation (2.34).

⎟⎟⎠

⎞⎜⎜⎝

⎛)0/=()1/=(log=)(

YY

i

ii bP

bPbLLR (2.34)

où ib est le i-ème bit de la séquence Y , Y l'ensemble de la séquence reçue et (./.)P la probabilité conditionnelle.

Figure 2.22 : Le récepteur itératif

L'information a priori correspond à l'information déjà connue sur les

symboles traités. Enfin, l'information extrinsèque correspond à l'information supplémentaire sur la valeur des symboles issue du traitement réalisé par le module. En considérant le récepteur présenté figure (2.22), le traitement itératif se décompose selon les étapes suivantes:



— L'information a priori des bits d'entrée 1La du décodeur/démodulateur spatio-temporel et celle des bits décodés 2La pour décodeur SISO du code convolutif, sont mises à 0 (Aucune information a priori).

— Les données données provenant de chaque démodulateur OFDM sont reçues par le "soft décodeur".

— Le décodeur du code spatio temporel calcule l'information extrinsèques 1Le de chaque bit décodé provenant des symboles démodulés à l'aide

des informations a priori 1La sur ces bits et des coefficients qui représentent les réponses impulsionnelles du canal de transmission. L'information extrinsèque est ensuite récupérée en sortie.

— Cette information est transmise. L'opération d'entrelacement inverse est réalisée et suivie par l'annulation de la perforation qui consiste à remplacer l'information sur les bits manquants par 0 (aucune information). A la fin de ces étapes, l'information extrinsèque devient l'information source pour le décodeur du code convolutif.

— Le décodeur du code convolutif calcule l'information a posteriori 2Lapp des bits décodés et l'information extrinsèque de chaque bit de la séquence codée 2Le à l'aide des informations a priori sur les bits décodés reçus et de l'information sur les bits codés transmis par le soft décodeur.A la sortie du module, 2Lapp prend la forme du LLR de chaque bit décodé.

— Si le processus itératif n'est pas terminé, 2Le est renvoyée vers le premier décodeur. Les opérations de perforation et d'entrelacement sont effectuées et transforment 2Le en un nouveau 1La . Le processus reprend à l'étape 3. Si le processus itératif est terminé une décision est prise sur la valeur du bit (0 ou 1) en fonction du signe de 2Lapp (bit

0= ′′ic si 0<)( icLLR et 1= ′′ic sinon).

Après avoir présenté le principe du traitement itératif réalisé, nous détaillons maintenant les algorithmes utilisés.

7.3.4. Description des algorithmes utilisés

a) Le décodeur spatio-temporel à entrées et sorties souples

Le principe : Dans ce module, le décodage et la démodulation sont réalisés

conjointement selon l'algorithme du Logarithme du Maximum A Posteriori (Log-MAP). D'autres méthodes de décodage à sortie souple existent pour les codes STBC, il est possible de citer notamment l'algorithme List Sphere Decoder (LSD) [HOC01] qui offre des performances intéressantes. Cependant l'algorithme Log-MAP est le plus couramment utilisé et bien que plus complexe il est plus performant.



Cet algorithme dérive de ceux utilisés pour le décodage des Turbo codes [BERR96]. Le principe est la maximalisation de la probabilité a posteriori pour un bit donné ce qui a pour effet de minimiser la probabilité de commettre une erreur sur celui-ci. Le module calcule donc l'information a posteriori Lapp et l'information extrinsèque Le des bits codés à partir des réponses impulsionnelles du canal de propagation, des informations a priori et des données reçues en entrée.

L'algorithme :

A l'émission, les bits c sont définis comme étant les bits en sortie du codeur convolutif, perforés et entrelacés. Ces bits sont regroupés pour former les symboles de la modulation M -QAM. Le codage spatio-temporel d'Alamouti utilisé considère ensuite ces symboles 2=Q à 2=Q . Chaque couple peut être représenté par une matrice kX définie par l'équation (2.35).

⎥⎦

⎤⎢⎣

⎡

k

k

ss

2,

1,=kX (2.35)

où kis , est le i-ème symbole considéré dans le couple k .

Ce couple est ensuite codé par le codeur spatio-temporel représenté par la matrice code kG similaire à l'équation (2.31).

En réception le signal reçu R s'exprime selon l'équation (2.36). nHGR kk +.= (2.36)

Après la démodulation OFDM, le décodeur spatio-temporel à entrées et sorties souples réalise simultanément le décodage spatio-temporel et la démodulation. Il ne considère plus la matrice kX comme une matrice de

symboles mais comme une matrice de bits μkc avec μ variant de 1 à

MQN log.= 2 .

L'algorithme Log-MAP calcule le LLR des bits démodulés. Les propriétés d'orthogonalité du code spatio temporel et l'indépendance des symboles kis , composant la matrice kX fait que l'on traitera ensemble les bits d'un même symbole mais chaque symbole séparément. La séquence binaire composant un symbole de la modulation est notée ν

kc avec ν variant de 1 à QNL /= . Il est également possible de dire que

)(=)(1=

,ν

νk

L

ki cPsP ∑ (2.37)

Nous pouvons maintenant exprimer le )( νkcLLR par l'équation (2.38).



)/(

)/(

=)0/=()1/=(=)(

k

s

k

s

k

kk RsP

RsP

cPcPcLLR

∑∑

∈

∈

ν,0S

ν,1S

k

k

RR

ν

νν (2.38)

où ν,1S et ν,0S sont respectivement l'ensemble des symboles possibles issus de la constellation ayant le bit à la position ν égal à 1 ou 0.

Sous l'hypothèse de bit d'un même symbole indépendants et en utilisant le thèorème de Bayes, )( ν

kcLLR prend la forme de l'équation (2.39).

44444 344444 21)

)(.

)./(

)(.

)./(

)(=)(

(

1=,

1=,

ν

ν

ν

νν

kcLe

jk

jk

L

jj

s

jk

jk

L

jj

skk

cLac

esP

cLac

esP

cLacLLR

∑∑

∑∑

≠

∈

≠

∈+

kν,0S

kν,1S

R

R

(2.39)

Dans cette formulation, l'effet du passage dans le canal de propagation )/( sRP k apparaît. Les propriétés d'orthogonalité des codes spatio-temporels et

la méthode de décodage proposée par S. Alamouti permettent de simplifier cette équation. Dans un premier temps le décodeur spatio-temporel calcule l'information extrinsèque des bits puis, si cela lui est demandé, l'information a posteriori. Dans notre cas, le module se contente de passer en sortie l'information extrinsèque à destination du décodeur du code convolutif.

b) Le décodeur du code convolutif

Dans la chaîne de transmission développée, le décodeur du code convolutif extrait deux types d'information : l'information extrinsèque des bits codés et l'information a posteriori des bits décodés. Le module développé s'inspire du module présenté par S. Benedetto dans [BEN96]. Ce module utilise un dérivé de l'algorithme BCJR (Bahl, Coke, Jeinek, Raviv) [BAH74]. L'algorithme utilisé simplifie le BCJR en utilisant l'algèbre logarithmique. Son principe général est de minimiser la probabilité d'erreur sur chaque bit du code afin d'améliorer le décodage. Cela est réalisé en parcourant le treillis dans un sens puis dans l'autre afin d'estimer la séquence la plus plausible en fonction des données reçues et parmi toutes les séquences possibles du treillis. Il convient de noter que cet algorithme nécessite que l'ensemble de la séquence à traiter soit disponible avant de pouvoir fournir les premiers résultats.

Afin de mieux comprendre le fonctionnement de l'algorithme, il est nécessaire de revoir le fonctionnement du codeur convolutif. Ce type de codeur repose sur des registres à décalage et des opérations binaires. Il est possible de suivre l'opération de codage en la représentant par un treillis composé des



états du codeur et des transitions entre ces états en fonction des entrées. Si le codeur présente un état initial )(eSS ( tStarS ′' ). Le bit )(eu arrivant en entrée du codeur provoque la transition e du codeur vers un état d'arrivée )(eSE ( dEnS ′' ). Cet état d'arrivée est dépendant de la valeur du bit )(eu . Cette transition va correspondre à la sortie du codeur à la génération des bits codés. En s'appuyant sur [BEN96] et [BER96]], les informations extrinsèques des bits codés et les informations a posteriori des bits décodés peuvent s'exprimer respectivement selon les équations (2.40) et (2.41).

⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

+⋅+⋅+−

⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

+⋅+⋅+

∑

∑

≠−

∗

≠−

∗

))(()()()()())((0=)(

max

))(()()()()())((1=)(

max=))((

,,1,:

,,1,:,

eScLaecuLaeueSe

eScLaecuLaeueSeecLe

Ekkjkjij

kSkkice

Ekkjkjij

kSkkiceki

βα

βα (2.40)

⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

+⋅+−

⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

+⋅+

∑

∑

−∗

−∗

))(()()())((0=)(

max

))(()()())((1=)(

max=))((

,,1:

,,1:

eScLaeceSe

eScLaeceSeeuLapp

Ekkjkjj

Skkue

Ekkjkjj

Skkuek

βα

βα (2.41)

avec

kkjkjj

kSkESe

k hcLaecuLaeueSse

s ,,,1:

)()()()())((=)(

max=)( ααα +⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⋅+⋅+ ∑−∗ (2.42)

et

kkjkjj

kEkSSe

k hcLaecuLaeusSse

s ,1,1,11:

)()()()())((=)(

max=)( αββ +⎪⎭

⎪⎬⎫

⎪⎩

⎪⎨⎧

⋅+⋅+ ++++∗ ∑ (2.42)

où j varie de 1 au nombre de sorties du codeur convolutif et max∗ est un opérateur provenant de l'approximation du logarithme d'une somme d'exponentielles. En considérant l'équation (2.43)

)(log= iaL

i

ea ∑ (2.43)

et sous l'hypothèse que le maximum des ia n'est pas très grand par rapport aux autres, alors il est possible d'approximer récursivement l'équation (2.44) de la manière suivante:



⎪⎪⎪

⎭

⎪⎪⎪

⎬

⎫

≡

−++−

−−−

)(

1(1)(

1(1)

])

[1)(=

=

L

lla

lll

aa

aelogaamaxa

aa

(2.44)

L'opérateur max ∗ représente donc cette opération. Enfin, kh ,α et kh ,β sont des constantes de normalisation permettant d'éviter le débordement des mémoires système.

Après l'application de cet algorithme et si le traitement itératif n'est pas terminé, l'information extrinsèque des bits codés est transmise comme information a priori au décodeur spatio-temporel. Dans le cas contraire, l'information a posteriori des bits décodés est communiquée à un module de décision sur la valeur du bit. Si la valeur reçue est négative ou nulle, le bit prend la valeur '0'. Sinon, il prend la valeur '1'.

7.4. Comparaison des performances des deux récepteurs dans un canal connu

Le but est ici de déterminer la structure offrant la meilleure robustesse aux erreurs. Le critère choisi pour cette évaluation est donc le taux d'erreurs binaires obtenu pour différents rapports de puissance du signal reçu sur la puissance du bruit. Le canal est parfaitement connu à la réception. L'étage d'estimation du canal sera introduit par la suite.

Afin de déterminer la structure la plus adaptée à notre application nous avons analysé :

— l'impact du nombre d'antennes à l'émission — l'impact de la corrélation spatiale du canal

7.4.1. Impact du nombre d'antennes de réception dans un canal de

Rayleigh L'émetteur précédemment décrit est utilisé avec une modulation 16-QAM et

un mapping de Gray. En réception, le récepteur classique sert de récepteur de référence. Le canal est considéré comme parfaitement connu à la réception. Il correspond à un canal de Rayleigh non corrélé. lors des simulation nous avons fait varier le nombre d'antennes de réception. Celui-ci prend les valeurs 1=rN (MISO), 2=rN (système symétrique), 4=rN ou 6=rN et 8=rN pour Nt=2

La figure 2.23 présente les taux d'erreur obtenus en fonction du rapport signal sur bruit et du nombre d'antennes de réception. A partir de ces résultats, une première observation montre que, pour un rapport signal sur bruit donné, le taux d'erreur diminue lorsque le nombre d'antennes de réception augmente. Ce



résultat provient de l'augmentation du degrés de diversité avec le nombre d'antennes. La seconde observation concerne le gain apporté par l'utilisation de plusieurs antennes en réception. Nous pouvons observer que le gain en terme de taux d'erreur binaire apporté par l'ajout d'antennes de réception diminue avec l'augmentation du nombre d'antennes réceptrices. En effet, le gain entre un système 2x1 et 2x2 et celui aporté par le passage d’un système 2x2 à un système 2x4 est légèrement supérieur à 3 dB. Lorsque l'on augmente encore le nombre d'antennes, le taux d'erreurs baisse à nouveau mais le gain est cette fois inférieur à 1,5 dB lorsque l'on passe d'un système 2x4 à un système 2x6 ou lors de la transition entre un système 2x6 à un système MIMO 2x8. L'augmentation du nombre d'antennes entraine inévitablement une plus forte complexité en réception. Aussi, afin d'obtenir un bon rapport performance/complexité, la décision de considérer un système MIMO 2x4 a été prise.

Figure 2.23 : TEB obtenus pour le récepteur classique et différentes valeurs de rN

7.4.2. Transmission dans un canal NLOS fortement corrélé La figure 2.24 présente les résultats obtenus en terme de TEB pour

différents rapports signal à bruit dans un canal de Rayleigh et dans le canal modélisé, pour une transmission utilisant le récepteur itératif et un codage pragmatique de la modulation (codage matlab).



Dans le canal mesuré, nous observons une forte dégradation des performances égale à 3,8 dB pour un taux d'erreur de 10-2. Ces résultats traduisent bien l'effet de la corrélation du canal sur sa capacité. Celle-ci diminuant, les performances du système se trouvent dégradées.

Figure 2.24 : TEB dans un canal de Rayleigh et dans un canal réel modélisé pour le récepteur itératif associé au codage pragmatique

Des constatations similaires peuvent être faites sur les photogrammes de la

figure 2.25 qui permettent une analyse de la qualité de l'image reçue. Un fichier vidéo au format H.263 a été utilisé comme source de données. La simulation a été réalisée avec le canal mesuré et modélisé dans les mêmes conditions que celles considérées pour la figure 2.24.

Figure 2.25 :Vidéos obtenues après transmission en simulation dans un canal réel modélisé

Figure 2.25 a

SNR= 8dB et TEB = 0 Figure 2.25 b

SNR= 7 dB et TEB = 9.10-3



7.5. Introduction de l'estimation du canal 7.5.1. Généralités sur les estimateurs de canaux Dans de nombreux traitements en réception (égalisation, détection,

décodage ...) il est nécessaire de connaître la réponse impulsionnelle du canal de propagation ou au minimum ses propriétés statistiques. Cependant, lors de transmissions réelles, ces informations sont rarement disponibles, surtout en présence de mobilité. Afin de récupérer ces informations, il est donc indispensable de les estimer. Deux familles de méthodes se distinguent : l'estimation aveugle et l'estimation avec séquence d'apprentissage (préambules, pilotes...). Les techniques d'estimation aveugle s'appuient sur les propriétés statistiques du second ordre ou supérieures du signal émis afin d'estimer une ou plusieurs caractéristiques du canal. Ces méthodes sont souvent d'une complexité élevée et offrent des performances moindres. Les techniques avec séquence d'apprentissage nécessitent l'insertion de séquences connues dans le signal émis. L'estimation du canal s'effectue ensuite en exploitant ces séquences.

Le système envisagé se fonde sur le standard WiMAX qui utilise des symboles OFDM connus (préambules aussi appelé symboles pilotes) dans les trames OFDM et des porteuses pilotes connues dans les symboles OFDM de données. Cette particularité nous a conduit naturellement à étudier plus en détail les techniques d'estimation utilisant des séquences d'apprentissage dans le cadre d'un système OFDM. L'estimation peut se faire soit dans le domaine temporel soit dans le domaine fréquentiel. Cependant les propriétés de l'OFDM permettent de simplifier l'estimation dans le domaine fréquentiel grâce à un découpage en sous bande correspondant aux sous porteuses.

Dans le cadre de systèmes utilisant l'OFDM, les techniques d'estimation du canal avec séquence d'apprentissage peuvent se scinder en trois, suivant les séquences d'apprentissage qu'elles considèrent:

— Les méthodes exploitant des sous porteuses connues appelées sous porteuses pilotes ;

— Les méthodes exploitant des symboles OFDM connus nommés symboles pilotes ;

— Les méthodes exploitant à la fois les symboles et les porteuses pilotes. Les techniques utilisant les porteuses pilotes estiment dans un premier

temps les sous canaux qui leur correspondent. Elles nécessitent ensuite la réalisation d'une opération d'interpolation afin d'estimer les sous canaux manquants. Pour cela elles s'appuient sur les propriétés de corrélation fréquentielle du canal. Ces techniques sont surtout intéressantes lors de transmission incluant une forte mobilité car elles permettent de suivre rapidement l'évolution du canal de propagation. Cependant ces méthodes nécessitent de répéter régulièrement ces opérations et offrent une estimation moins précise liée à l'interpolation. Un exemple est donné dans [Coleri,02]



Les méthodes exploitant des symboles pilotes estiment l'ensemble du canal de propagation à partir de ces derniers. Les symboles pilotes sont le plus souvent placés en début, en milieu ou en fin de trame. Il est possible d'appliquer cette méthode sur un ou plusieurs symboles pilotes. Ces techniques estiment plus précisément le canal. Plus le nombre de symboles pilotes présents dans la trame est important, plus l'estimation du canal est juste. Cependant, plus le nombre de préambules est important dans la trame plus le débit réel des données est réduit. Ainsi, Il est nécessaire de trouver le bon compromis débit/efficacité. Le fait de ne considérer que quelques symboles dans la trame implique également que ces techniques doivent être utilisées dans le cas d'un canal variant lentement dans le temps car dans le cas contraire l'estimation du canal s'avère rapidement erronée pour une partie de la trame.

Enfin, des techniques utilisent les deux types de séquences connues (Symboles et sous porteuses pilotes). Ces techniques ont l'avantage d'être robustes. En effet, elles possèdent une bonne précision d'estimation (grâce aux symboles pilotes) et sont réactives sur l'évolution de la valeur du canal (en exploitant les sous porteuses pilotes). L'inconvénient majeur de ces méthodes réside dans le temps de calcul beaucoup plus important qu'elles demandent.

Dans l'application visée, le bus évolue en général à des vitesses réduites. Ainsi, en considérant une structure de trame courte, l'hypothèse d'un canal évoluant lentement semble plausible. Ces conditions permettent l'utilisation des techniques exploitant des symboles connus. Ce choix réduit la complexité et le temps de calcul du récepteur.

Les estimateurs qui s'appuient sur des séquences d'apprentissage se différencient également par le critère de décision utilisé pour la convergence de l'algorithme d'estimation. Les plus courants sont les critères de minimisation de l'erreur quadratique moyenne linéaire (LMMSE), du maximum de vraisemblance (ML), de la maximalisation de la probabilité a posteriori (MAP, Maximum A Posteriori) ou encore le critère des moindres carrés (LS, Least Square). Avant d'étudier ces méthodes, il est nécessaire de rappeler la modélisation du signal utilisée et de poser les hypothèses considérées.

D'une manière générale, la transmission considérée prend la forme d'un modèle linéaire représenté par l'équation (2.47)

bHXY += (2.47)

Après les opérations de codage et de modulation, le signal transmis X est une matrice de dimension ifftt NN × ou tN correspond au nombre d'antennes

d'émission et ifftN correspond au nombre de sous porteuses d'un symbole

OFDM. Le signal traverse un canal H dont la réponse impulsionnelle est représentée par une matrice de dimension tr NN × , ou rN est le nombre d'antennes de réception. Un bruit blanc gaussien B , matrice de dimension

ifftr NN × , est considéré. La matrice Y est le signal reçu et est de dimension

ifftr NN × . Lors de cette étude, l'hypothèse d'un canal de Rayleigh totalement



décorrélé est posée. Les coefficients ijh de la matrice de canal H sont donc

indépendants et identiquement distribués (i.i.d.). Les estimateurs utilisent X et Y afin de donner une estimation de la valeur de H . X représente alors les symboles OFDM connus et est de taille )( ifftpt NNN ×× . pN est ici le nombre

de préambules utilisés.

7.5.2. Les estimateurs considérés Nous avons considéré et comparé des estimateurs utilisant uniquement les

préambules et se servant des critères de maximum de vraisemblance (ML), de minimisation de l'erreur quadratique moyenne linéaire (LMMSE), de maximalisation de la probabilité a posteriori (MAP) ou le critère des moindres carrés (LS). En effet l'estimateur LS présente de faibles performances face aux autres estimateurs considérés. Tous les détails des algorithmes sont donnés dans [MON07]

L’estimateur du maximum a posteriori (MAP) est un estimateur de type Bayesien qui estime la matrice de canal et maximalise la densité de probabilité conditionnelle ),|( XYHp d'avoir H si X est émis et Y reçu.

L’estimateur du Maximum de vraisemblance (ML) calcule la séquence reçue la plus vraisemblable pour la séquence émise qui va maximaliser la densité de probabilité conditionnelle ),|( HXYp . En comparaison avec d'autres estimateurs, l'estimateur ML offre parfois une variance plus importante. C'est le cas avec l'estimateur MAP qui possède toujours une variance inférieure. Cependant l'estimateur basé sur le critère de maximum de vraisemblance offre des propriétés de convergence plus intéressantes. C'est à dire que plus le nombre d'informations connues est grand plus l'estimateur converge vers la véritable valeur de H .

L’estimateur au sens des moindres carrés (LS) est moins complexe que les deux précédents. Il peut être utilisé lorsqu'aucune information statistique sur H et Y n'est disponible et que Y est considéré comme une mesure bruitée de H. L'avantage de l'estimateur LS provient de sa faible complexité mais il souffre d'une erreur quadratique moyenne élevée surtout si le système opère à des faibles rapports signal à bruit. Il présente en général des performances moindres comparé aux autres estimateurs présentés.

L’estimateur selon le critère de minimisation de l'erreur quadratique moyenne linéaire (LMMSE) cherche à minimiser l'erreur quadratique moyenne. Il est couramment employé pour l'estimation du canal des systèmes OFDM. Cependant son application nécessite la connaissance de la variance du bruit et le cas échéant de la matrice d'autocorrélation du canal de propagation. Néanmoins, il présente en général de bonnes performances. Dans [EDF98] une méthode permettant de réduire sa complexité est proposée.

De manière générale ces différents estimateurs diffèrent suivant leur convergence et leur formulation. Ces différences se traduisent alors en terme de performances. Dans le cas d'un canal de Rayleigh non corrélé, certains de



ces estimateurs sont équivalents. Les estimateurs LS et ML sont équivalent pour un système non itératif transmettant dans un canal de Rayleigh non corrélé auquel s'additionne un bruit blanc gaussien. En cas d'absence d'information a priori sur le canal en réception, l'estimateur MAP leur est équivalent. Nous avons donc fait le choix de ne considérer que l'estimateur ML et LMMSE dans notre étude.

7.5.3. Choix des estimateurs testés Afin de limiter la complexité du récepteur et de réduire le temps de

traitement, nous avons fait le choix de ne pas inclure l'estimateur dans le processus itératif. Aussi, aucune information a priori sur le canal n'est disponible à son niveau. Dans ce cas de figure et pour un canal de Rayleigh non corrélé, il est possible de ne considérer que deux estimateurs : l'estimateur ML et l'estimateur LMMSE. Au cours du trajet du bus, le canal de transmission varie régulièrement. La corrélation spatiale varie et la transmission s'effectue en alternance en LOS et NLOS. a) Impact de l'introduction de l'estimation du canal

Les estimateurs étudiés sont analysés vis à vis de leurs performances en fonction du rapport signal à bruit pour les deux récepteurs choisis (décisions dures et souples) et respectivement pour le codage de Gray et le codage pragmatique. Un seul estimateur est utilisé, celui basé sur le critère de maximum de vraisemblance. Le canal de propagation considéré est un canal de Rayleigh non corrélé. La figure 2.26 donne les résultats obtenus pour le TEB en fonction du rapport de puissance signal sur bruit dans le cas d'un canal parfaitement connu et pour un canal estimé.

Ces résultats montrent que le récepteur itératif est beaucoup plus résistant

aux erreurs d'estimation du canal que le récepteur à décisions dures. En effet, si l'objectif est d'atteindre un taux d'erreur de 34.10− , les performances du turbo récepteur sont dégradées d'environ 1 dB alors que la dégradation est légèrement supérieure à 3 dB pour le récepteur à décisions dures. Cette résistance aux erreurs d'estimation du canal nous a conforté dans l'utilisation d'une structure itérative pour le récepteur.

Sur cette figure, il est possible d'observer un résultat pour de faibles rapports signaux sur bruit qui peut paraître aberrant. En effet, le cas où le canal est connu présente de moins bon résultats que lors de l'estimation du canal. La méthode de simulation est à l'origine de ces résultats. Les temps de calculs ne nous permettent pas d'envisager un grand nombre de réalisations du canal. Les propriétés statistiques diffèrent alors d'une série de réalisations à l'autre. La série utilisée pour l'estimation du canal était, dans le cas présenté, plus favorable que la série utilisée pour les simulations avec un canal connu.



Figure 2.26 : Influence d'une connaissance imparfaite du canal sur les performances des récepteurs

b) Comparaison des estimateurs ML et MMSE

Afin de déterminer l'estimateur possédant les meilleures performances, nous avons observé les taux d'erreurs binaires obtenus lors de transmissions dans un canal de Rayleigh et dans un canal mesuré corrélé (figure 2.27). Les résultats nous montrent un meilleur comportement de l'estimateur ML aussi bien dans un canal de Rayleigh que dans le canal corrélé. Cet estimateur est aussi moins sensible à la corrélation du canal. Une perte de 1 dB est observée pour le LMMSE alors que celle ci est inférieure à 0,5 dB pour le ML. Les résultats obtenus au cours de cette étude font que nous considérons maintenant un récepteur itératif avec un estimateur de canal ML dans les 3 canaux modélisés.



Figure 2.27 : Comparaison des estimateurs ML et MMSE dans un canal de Rayleigh et un canal mesuré corrélé

c) Influence de l'environnement de propagation Afin d'étudier, l'influence de l'environnement sur le système considéré, nous

avons simulé des transmissions dans les trois canaux modélisés et dans un canal de Rice non corrélé. Ce choix nous permet de tester l'influence d'un trajet direct (canal de Rice), d'une forte corrélation (canal SU-S), de la combinaison des deux (canal C-S) mais également l'apport de la diversité de polarisation devant ces phénomènes (canal C-S+P). Les taux d'erreurs binaires obtenus en fonction du SNR sont présentés figure 2.28.

Plus le canal est corrélé, plus les performances du système se dégradent. Cependant, le système présenté se montre assez robuste à la corrélation avec des écarts restants assez faibles. Il faut également noter que la présence d'un trajet prépondérant se montre moins pénalisante que la corrélation du canal pour les performances du récepteur. Au vue de ces résultats, nous pouvons émettre l'hypothèse que le Turbo-récepteur peut être capable de fournir une continuité de qualité de service intéressante au cours du trajet.



Figure 2.28 : TEB obtenus dans différents canaux de transmission

7.6. Conclusion Nous avons présenté les deux chaînes de transmission évaluées en

simulation. Chacune considère la synchronisation parfaite des signaux en réception et une connaissance parfaite du SNR en réception. Les chaînes développées sont des systèmes MIMO 42× (2 antennes d’émissioin-4 antennes de réception) qui possèdent une partie émission commune inspirée de la couche physique OFDM de la norme IEEE 802.16d. Pour la partie codage canal, nous avons implémenté la concaténation d'un code de Reed Solomon et d'un code convolutif suivie par un codage spatio temporel de type Alamouti. La modulation OFDM est effectuée en considérant 256 sous porteuses.

En réception, les deux chaînes ont été testées. Une première chaîne de complexité réduite effectue exactement les opérations inverses de l'émission. La deuxième chaîne s'appuie sur un Turbo-récepteur. Le turbo processus s'effectue entre le décodeur spatio temporel et le décodeur du code convolutif. Les algorithmes classiques utilisés sont détaillés.

Les performances des deux chaînes sont dans un premier temps évaluées dans un canal de Rayleigh connu. L'influence du codage de la modulation (codage de Gray, codage pragmatique et codage naturel) sur les performances des systèmes a été analysée. Les résultats montrent que le Turbo récepteur est toujours plus performant bien qu'il soit plus sensible aux différents codages étudiés. Le codage pragmatique et le codage de Gray se sont montrés



optimaux respectivement pour le Turbo-récepteur et pour le récepteur classique. L'impact de la corrélation dans le canal sur les performances a été mis en évidence. Le Turbo récepteur se montre ici encore moins sensible que le récepteur classique.

Nous introduisons ensuite une étape d'estimation du canal. Le principe des estimateurs ML, LMMSE, MAP et LS est rappelé pour un canal de Rayleigh et sans information a priori à la réception. Avec cette hypothèse, seules deux formulations diffèrent : le ML (ou MAP ou LS) et le LMMSE. L'impact de l'introduction de l'étage d'estimation du canal dans les différentes chaînes est analysé. Le Turbo-récepteur est plus résistant aux erreurs d'estimation du canal que le récepteur classique. Ces résultats montrent que la chaîne exploitant le Turbo-récepteur est la plus adaptée. Les deux estimateurs ML et LMMSE ont été testés avec cette chaîne pour un canal de Rayleigh et le canal C-S qui est un canal moyennement corrélé et présentant un trajet prépondérant. L'estimateur LMMSE fournit de moins bons résultats que l'estimateur ML. De plus, les dégradations observées en présence de corrélation spatiale dans le canal sont plus importantes. Au final, l'estimateur ML a été retenu.

La chaîne de transmission complète a été évaluée dans différents canaux réels modélisés et dans un canal de Rice. Les performances du Turbo récepteur se dégradent avec l'augmentation de la corrélation mais elles sont moins sensibles à la présence d'un trajet direct. Les dégradations observées ne sont pas très importantes et peuvent laisser penser que le système est capable d'assurer une qualité de service raisonnable dans les différents environnements de propagation qu'il pourra rencontrer en pratique. Les différents modules de la chaîne choisis pour les simulations ont donc été retenus pour une implémentation dans la chaîne de transmission réelle afin de réaliser des essais en vraie grandeur.

8. Conclusion Dans ce chapitre, nous avons brièvement présenté les principaux projets

connus qui s'intéressent à la transmission d'informations audio et vidéo depuis des autobus ou des trains pour des applications de surveillance embarquée. Les caractéristiques des systèmes MIMO ont ensuite été introduites de façon simple et un bref état des recherches sur ces techniques a été réalisé et propose un panorama non exhaustif des techniques existantes dans la littérature. Nous avons en particulier donné les caractéristiques principales des techniques de codage spatio temporel en bloc, en treillis ou de précodage.

Nous désirons exploiter les techniques MIMO avec un standard existant afin de réduire les coûts pour l'opérateur de transport. En partant d'une classification des systèmes sans fil fonction de l'étendue de la zone de couverture radioélectrique, une description des standards les plus récents et susceptibles de répondre à la problématique a été proposée. L'accent a été mis sur les normes IEEE 802.20 (MBWA) et IEEE 802.16 (WiMAX). Les avantages et inconvénients des systèmes dans le contexte traité sont soulignés. Le souci



d'implémenter une solution préservant un compromis complexité/efficacité aussi proche que possible d'un standard a guidé notre choix vers l'utilisation de la spécification 802.16d (2004) du WiMAX. La chaîne de simulations et la chaîne réelle que nous avons développées s'appuient sur la couche physique OFDM de ce standard.

La connaissance du canal de propagation est fondamentale pour l'analyse de performances d'un système de transmission. Une étude bibliographique sur quelques modèles de canaux MIMO a été réalisée en distinguant les modèles physiques et les modèles analytiques. Nous avons présenté deux types de modèles de canal analytiques susceptibles de traduire le plus fidèlement possible les caractéristiques de l'environnement : le modèle de Kronecker et de Weichselberger. Ces modèles ont été comparés à partir de mesures sur le terrain.

Nous avons ensuite détaillée la chaîne de simulation développée afin d’évaluer les solutions possibles à déployer pour le démonstrateur. Nous avons implémenté un système MIMO 42× dont la partie émission est inspirée de la couche physique OFDM de la norme IEEE 802.16d. Pour la partie codage canal, nous avons implémenté la concaténation d'un code de Reed Solomon et d'un code convolutif suivie par un codage spatio temporel de type Alamouti. La modulation OFDM est effectuée en considérant 256 sous porteuses.

Deux récepteurs ont été testés. L’un dit « classique » et l’autre s’appuyant sur un turbo processus qui s'effectue entre le décodeur spatio temporel et le décodeur du code convolutif. Les algorithmes classiques utilisés sont détaillés.

Les deux types de récepteurs ont été testés dans différentes configurations d’algorithmes et dans différents canaux de propagation. Les résultats montrent que le Turbo récepteur est toujours plus performant. Les différents modules de la chaîne choisis pour les simulations ont donc été retenus pour une implémentation dans la chaîne de transmission réelle afin de réaliser des essais en vraie grandeur.

9. Bibliographie [ESC01] M. Berbineau & Al. State of the art report. Projet ESCORT IST 1999-

20006, D2011, 2001. [SEC02] Projet securbus. Journée technique " Sécurité dans les transports

terrestres" d'Integral Média, march 2002. [DAV01] Y. David, Y. Robin-Jouan, and M. Heddebaut. Communication avec

les mobiles : application aux transports collectifs et aux transports routiers. Collections du Certu, mars 2001.

[TES04] S. Ambellouis and M. Berbineau. TESS : Transports collectifs de voyageurs et de marchandises avec des véhicules qui communiquent. In les �ches de l'INRETS, number 2 in Les réseaux de transport et les servies. INRETS, 2004.



[IGR06] Intelligent integration of railway systems - project no. pl 012526 - deliverable d3d4.1 - gsm-r alternative study. Version o-cielle à paraître en Janvier 2007.

[TRA06] M. Berbineau, M. Chennaoui, Ch. Gransart, H. Afifi, J.M. Bonnin, D. Sanz, R. Coutureau, and D. Duchange. High data rate communications with high speed trains dream or reality ? - user requirements and technical state of the art - projet predit train-ipsat. Synthèse INRETS

[PAR04] J.F. Pardonche. Systèmes de transmission sans fil multi-émetteurs multi-recepteurs pour des applications transpots. Etude des modèles de canaux de propagation. PhD thesis, Thesis of Université de Lille 1, 2004.

[DEE] Deepak Pareek. The business of wimax. John Wiley and Son LTD, ISBN-10 0-470-02691-X (HB).470-02691-5 (HB)

[FOS98] G.J. Foschini and M.J. Gans. On limits of wireless communications in a fading environnement when using multiple antennas. Wireless Personnal Communications, 6(3), 1998.

[FOS96] G.J. Foschini. Layered space-time architecture for wireless communication in a fading environment when using multi-element antennas. Bell Labs Technical journal, 1(2), 1996.

[GUG03] P. Guguen. Techniques multi-antennes émission-récepetion - Applications aux réseaux domestiques sans fil. PhD thesis, thesis of the Institut national des sciences appliquées de Rennes, 2003.

[ALA98] S. Alamouti. A Simple Transmit Diversity Technique for Wireless Communications. IEEE Journal on Select Areas in Communications, 16(8) :1451-1458, october 1998.

[TAR98] V. Tarokh, N. Seshardi, and A.R. Calderbank. Space-Time Codes for High Data Rate Wireless Communications : Performance Criterion and Code Construction. IEEE Trans. Inform. Theory, 44(2) :744-765, 1998.

[TAR99] V. Tarokh, H. Jafarkhani, and A. R. Calderbank. Space-Time Block Codes from Orthogonal Designs. IEEE Trans. on Information Theory, 45(5), 1999. pp 1456-1467

[HAS02] B. Hassibi and B.M. Hochwald. High rate code that are linear in space and time. IEEE Trans. in Information Theory, 48(7), 2002.

[BEL05] J-C. Belfiore, G. Rekaya, and E. Viterbo. The golden code : a 2x2 ful rate space time code with non vanishing determinants. IEEE Trans. in Information Theory, 51(4), pp 1432-1436, April 2005.

[OGG06] F Oggier, G. Rekaya, J-C. Bel�ore, and E. Viterbo. Perfect space time block codes. IEEE Trans. in Information Theory, Vol 52, Issue 9, pp. 3885- 3902, Sept. 2006.

[DIF04] Xiaodong Cai; Giannakis, G.B. - Differential space-time modulation with transmit-beamforming for correlated MIMO fading channels -



Proceedings. ICASSP 2003 IEEE, Issue , 6-10 April 2003 Page(s): IV - 25-8 vol.4, volume 4, april 2003.

[TAO05] M. Tao and P.Y. Kam. Analysis of differential orthogonal space time block codes over semi identical mimo fading channel IEEE Transaction on Communications, Volume 55, Issue 2, Feb. 2007 pp282 - 291.

[SHO] B. Shokrollahi, B. Hassibi, B.M. Hochwald, and Sweldens W. Representation theory for high rate multiple antenna code design. IEEE Trans. on Information Theory, 47(6), pp 2335-2367- september 2001.

[JIN05] Y. Jing and B. Hassibi. Three transmit antenna space time codes based on su(3). IEEE Trans. on Signal Processing, 53(10), October 2005, pp 3688-3702.

[OGG05] F. Oggier. First applications of cyclics algebras to non coherent mimo channel. In Allerton Conference, 2005.

[SAU05] B. Le Saux, Hélard M., and Bouvet P-J. Comparaison de techniques mimo coherentes et non coherentes sur canal rapide selectif en frequence. In Proc. of Manifestation des Jeunes Chercheurs francophones dans les domaines des STIC, pp 413-416 -november 2005.

[LEM05] J. Le Masson. Système de transmission avec précodage linéaire et traitement itératif - Application à l'OFDM et aux techniques MIMO. PhD thesis, Thesis of Université de Bretagne-Sud, France, 2005.

[AKT03] J. Aktar and D. Gesbert. A closed-form precoder for spatial multiplexing over correlated mimo channels. In Proc. of IEEE Global Telecommunications Conference, volume 4, pp 1847-1851-december 2003.

[HJO04] A. Hjorungnes, J. Aktar, and D. Gesbert. Precoding for space time block codes in (non-) kronecker correlated mimo channels. In Proc. of the 12th European Signal Processing Conference, september 2004.

[HJO06] A. Hjorungnes and D. Gesbert. Precoded orthogonal space time block codes over correlated ricean MIMO channels. IEEE Trans. on Signal Processing, 55(2), pp779-783 - February 2007.

[RAG07] V. Raghavan, R.W. Heath, and J.A.M Sayeed. Systematic codebook designs for quantized beamforming in correlated mimo channels. IEEE Journal on Selected Area in Communications, September 2007 Volume: 25(7) pp 1298-1310.

[CHA06] C.b. Chae, T. Tang, R.W. Heath, and S. Cho. Mimo relaying with linear processing for multiuser transmission in �xed relay network. IEEE Trans. in Signal Processing, february 2006 Vol9 N°1.

[PAR05]J.F. Pardonche, M. Berbineau, and C. Seguinot. Présentation de quelques modèles stochastiques de canal mimo et comparaison



expérimentale. Les annales des télécommunications, 60(5/6), march 2005 – pp649-680.

[SHI00] D-S. Shiu. Wireless communication using dual antenna arrays. Kluwer Academic Publisher, 2000.

[OES04] C. Oestges, V. Erceg, and A.J. Paulraj. Propagation modelling of multi-polarized mimo fixed wireless channels. IEEE Trans. on Vehicular Technology, 53(3), pp644-654 - may 2004.

[JOO03] J. Jootar and J.R. Zeidler. Performance analysis of polarization receive diversity in correlated rayleigh fading channels. In Proceedings of Global telecommunication conference GLOBECOM 2003, december 2003.

[PAR92] J. D. Parsons. The Mobile Radio Propagation Channel. Pentech Press, 1992.

[PED00] K.I. Pedersen, J.B. Andersen, J.P. Kermoal, and P. Mogensen. A stochastic multiple input multiple ouput radio channel model for evaluation of space time codings algorithm. In Proc. of IEEE Vehicular Technology Conference, september 2000.

[BER96] Y.M. Berezansky and Z.G. Sheftel. Functional analysis, volume 1. Birkhauser Verlag, 1996.

[GAL68] Gallager R. Elements of information. Wiley, 1968. [GOL96] G.H. Golub and C.F. Van Loan. Matrix computations. Johns Hopkins

university press, 1996. [SHA48] C.E. Shannon. A mathematical theory of communication. Bell system

technical journal, 27 :379�423 and 623�656, 1948. [POL03] Pollock, T.S.; Abhayapala, T.D.; Kennedy, R.A., Introducing space into

space-time MIMO capacity calculations : a new closed form upper bound, Proceedings of ICT 2003, Volume 2, pp. 1536 – 1541

[AND01] R.A. Andrews, P.P. Mitra, and R. De Carvalho. Tripling the capacity of wireless communications using electromagnetic polarization. Nature, 409 :316�318, January 2001.

[KIM00] Byung ki Kim, W.L. Stutzman, and D.G. Sweeney. Indoor and outdoor measurements of space, polarization, and angle diversity for cellular base stations in urban environments. In Proc. of IEEE Vehicular Technology Conference, volume 1, 2000 pp22-29

[DON05] L. Dong, H. Choo, R. W. Heath, and H. Ling. Simulation of MIMO channel capacity with antenna polarization diversity. IEEE Trans. on Wireless Commununications, 4(4), pp1869-1873 - july 2005.

[ALM07] P. Almers & Al, Hindawi Publishing Corporation - Survey of Channel and Radio Propagation Models for Wireless MIMO Systems, EURASIP Journal onWireless Communications and Networking - Volume 2007, Article ID 19070, 19 pages - doi:10.1155/2007/19070



[MON07] Gerald Moniak, Techniques MIMO pour un lien sans fil robuste entre un bus et un poste de contrôle pour une application de surveillance embarquée, PhD thesis, University of Valenciennes, Février 2007

[KER02] J. Kermoal, L. Schumacher, K. Pedersen, P. Mogensen, and F. Frederiksen. A stochastic mimo radio channel model with experimental validation. IEEE Journal on Selected Areas in Communications, 20(6), pp1211-1226 - august 2002.

[WEI06] W. Weichselberger, M. Herdin, H. H. Özcelik, and E. Bonek. A stochastic mimo radio channel model with joint correlation of both link ends. IEEE Trans. on Wireless Communications, 5(1), pp90-100 -january 2006.

[KYU01] K. Yu, M. Bengtsson, B. Ottersten, P. Karlsson, D. McNamara, and M. Beach. Measurement analysis of nlos indoor mimo channels. In Proc. of IEEE Global Telecommunication Conference, november 2001.

[CHU02] C-N. Chuah, D.N.C. Tse, J.M. Kahn, and R.A. Valenzuela. Capacity scaling in mimo wireless systems under correlated fading. IEEE Trans. on Information Theory, 48(3), pp637-650, march 2002.

[KER00] J.P. Kermoal, L. Schumacher, P. Mogensen, and K.I. Pedersen. Experimental investigation of correlation properties of mimo radio channels for indoor picocells scenarios. In Proc. of IEEE Vehicular Technology Conference, pp 14-21 Vol 1, september 2000.

[BON05] E. Bonek. Experimental validation of analytical MIMO channel models. Elektrotechnik und Informationstechnik (e&i), 122(6) :196�205, 2005.

[LEM98] J.J.A. Lempiainen and J.K. Laiho-Ste�ens. The performance of polarization diversity schemes at a base stationin small/micro cells at 1800 MHz. IEEE Trans. on Vehicular Technology, 47(3), pp 1087-1092august 1998.

[IEEE 802.16-2004] IEEE 802.16 - WirelessMAN. 802.16-2004 - Standard for Local and metropolitan area networks - Part 16 : Air Interface for Fixed Broadband Wireless Access Systems, 2004.

[IEEE 802.16-2003] IEEE 802.16 - WirelessMAN. IEEE Standard for local and metropolitan area networks, Part 16 : Air interface for fixed broadband wireless access systems - Medium access control modifications and additional physical layer specifications for 2-11 GHz, 2003.

[PRO95] J.G. Proakis. Digital Communications. Mc Graham-Hill, third edition, 1995.

[SEZ03] A. Sezgin, D. Wübben, and V. Kühn. Analysis of mapping strategies for turbo-coded space time block codes. In Proc. of IEEE Information Theory Workshop, pp103-106, 2003.

[ALA98] S. Alamouti. A Simple Transmit Diversity Technique for Wireless Communications. IEEE Journal on Select Areas in Communications, 16(8) :1451�1458, october 1998.



[CHA66] R.W. Chang. Synthesis of band-limited orthogonal signals for multichannel data transmission. Technical Report 45, Bell System Tech. J., 1966.

[PEL80] A. Peled and A. Ruiz. Frequency domain data transmission using reduced computational complexity algorithms. In Proc. of IEEE International Conference on Accoustic, Speech and Signal Processing, volume 5, pp964-967, april 1980.

[LEF95] B. Le Floch, M. Alard, and C. Berrou. Coded Orthogonal Frequency Division Multiplex. Proc. of IEEE, 83(6), june 1995.

[ONE95] R. O'Neill and L.B. Lopes. Envelope variations and spectral splatter in clipped multicarrier signals. In Proc. of IEEE International Symposium on Personnal, Indoor and Mobile Radio Communications, pp 71-75 Vol1, september 1995.

[PAU98] M. Pauli and H.P. Kuchenbecker. On the reduction of the out of band radiation of OFDM signals. In Proc. of IEEE International Conference of Communications, volume 3, pp 1304-1308 Vol3, june 1998.

[VAN98] R. Van Nee and A. Wild. Reducing the peak to average ratio of ofdm. In Proc. Of 48th IEEE Vehicular Technology Conference, volume 3, may 1998.

[HAN05] S.H. Han and J.H. Lee. Modulation, coding and signal processing for wireless communications- an overview of peak-to-average power ratio reduction techniques for multicarrier transmission. IEEE Transactions on Wireless Communications, 12(2), pp 56-65, April 2005.

[FAT06] I. FATANI. Etude d’une chaîne de transmission d’image robuste aux erreurs basée sur l’utilisation conjointe d’un système mimo/ofdm et d’un codage par descriptions multiples. Rapport de Master recherche, Université de Valenciennes et du Hainaut Cambrésis, 2006.

[BER96] C. Berrou, A. Glavieux, and P. Thitimajshima. Near Shannon limit error correcting coding and decoding: Turbo-Codes. IEEE Trans. on Communications, october 1996.

[VIT67] A.J. Viterbi. Error bounds for convolutional codes and an asymptotically optimum decoding algorithm. IEEE Trans. on Information Theory, Vol 13, Issue 2, pp 260-269april 1967.

[BERL68] E. Berlekamp. Nonbinary BCH decoding. IEEE Trans. on Information Theory, 14(2), pp 242march 1968.

[MAS69] J.L. Massey. Shift register synthesis and bch decoding. IEEE Trans. on Information Theory, 15(1), pp 122-127january 1969.

[HOC01] B. M. Hochwald and S Ten Brink. Achieving Near Capacity on a multiple antenna channel. In Proc. of Conference on Communication, Control and Computing, 2001.

[BEN96] S. Benedetto, D. Divsalar, G. Montorsi, and F. Pollara. A SISO MAP module to decode parallel an serial concatenated codes. Technical report, TDA progress report 42-127, 1996.



[BAH74] L.R. Bahl, J. Coke, F. Jeinek, and J. Raviv. Optimal decoding of linear codes for mimnimizing symbol error rate. IEEE Trans. on Information Theory, 20 :248-287, 1974.

[EDF98] O. Edfors, M. Sandell, J-J. Van de Beek, S.K. Wilson, and P.O. Börjesson. OFDM channel estimation by singular value decomposition. IEEE Trans. on Communications, 46(7), pp 931-939 - july 1998.




Chapitre 3

Le démonstrateur

Sylvain Marsault, Marc Chenu-Tournier Thales Communications Sébastien Ambellouis, Gilles Blancquart, Amaury Flancquart, Gérald Moniak, Hervé Dumortier, Emilie Masson, Jean-Pierre Ghys, Marion Berbineau INRETS-LEOST 20, rue élisée reclus BP 317 59666 Villeneuve d’Ascq Cedex [email protected] Jean-François Legrand, MIRIAD Technologies Philippe Mariage GIGACOMM Catherine Fauqueur Transpole

1. Objectifs du démonstrateur Le démonstrateur a été réalisé afin de montrer la faisabilité d'un système

embarqué de vidéo et d'audio surveillance sans fil. Pour cela, tous les sous-systèmes techniques ont été développés et installés à bord d'un autobus de la flotte de Transpole. La démonstration a été menée au travers des deux scénarii suivants :

1 – la transmission des images vers le poste de contrôle sur la détection d'un événement sonore

2 – la transmission des images en continue vers le poste de contrôle Dans la suite de ce chapitre, nous décrivons dans un premier temps

l'architecture générale du démonstrateur et les éléments constitutifs des configurations matérielles audio/vidéo et de télécommunication. Nous terminons par la description du module de transmission RF.



2. Architecture du démonstrateur L’architecture du démonstrateur est présentée à la figure 3.1. Elle est

composée d’une partie embarquée et d’une partie fixe. Le sous-système embarqué a pour fonction d’identifier un événement sonore et de transmettre les images au poste de contrôle. Lors de notre phase de démonstration en ligne, le poste de contrôle a été localisé en haut du Beffroi de la ville de Lille. Le sous-système embarqué a été installé dans un autobus mis à la disposition du projet par le partenaire Transpole, en charge de l’exploitation du système de transport collectif de la métropole Lilloise.

Le sous-système embarqué est composé de trois calculateurs respectivement en charge de l’acquisition et du traitement des signaux audio et des signaux vidéo et de la transmission. Ces trois calculateurs sont mis en réseau et les applications développées et implantées sur chacun d’eux échangent des données via les protocoles TCP ou UDP.

Le sous-système fixe est composé de deux calculateurs : l’un destiné à la réception des données numériques transmises par le sous-système embarqué et l’autre dont la fonction est de les visualiser. Ces deux calculateurs sont en réseau et peuvent se transmettre des données via les protocoles TCP ou UDP.

Figure 3.1 : Architecture du démonstrateur

Microphone intelligent

linux

Caméraintelligente

linux

Pc EmissionWiMaxlinux

Pc RéceptionWiMax linux

Réseau

Pc Visualisation

Linux

Réseau

UDP

WiMax

Microphone intelligent

linux

Caméraintelligente

linux

Pc EmissionWiMaxlinux

Pc RéceptionWiMax linux

Réseau

Pc Visualisation

Linux

Réseau

UDP

WiMax

2.1 Configuration matérielle de la partie audio/vidéo La configuration matérielle de la partie audio/vidéo est constituée des

éléments suivants :

Le démonstrateur


1. deux calculateurs industriels avec une carte d’acquisition audio 4 canaux mono 44kHz sur 24bits et une carte d’acquisition vidéo 4 canaux couleur ;

2. quatre microphones de type cravate (réponse plate sur l’intervalle des fréquences 20Hz-20kHz) ;

3. cinq caméras couleur ; 4. un récepteur GPS ; 5. un routeur Wifi.

Tout ce matériel est installé à demeure dans un autobus mis à disposition par Transpole.

La figure 3.2 présente quelques photographies du matériel installé.

Figure 3.2 : Matériels audio/vidéo embarqués à demeure dans l’autobus

Deux logiciels sont actuellement installés sur le système. Le premier permet l’acquisition et l’enregistrement en temps-réel des 4 capteurs audio et des 4 caméra vidéo. Ce logiciel est paramétrable (période d’échantillonnage, profondeur des données numérisées et taux de compression) et permet de déclencher une phase d’acquisition selon les besoins exprimés. Par ailleurs, chacune des données audio et vidéo peut être repositionnée sur le trajet de l’autobus grâce à une acquisition synchrone de la position GPS du véhicule. Ce logiciel est utilisé en particulier lors de la conception des bases de données audio et vidéo, bases utilisées lors des phases de développement et



d’évaluation de nos algorithmes. Le PC est muni d’un disque dur de plusieurs dizaines de Go qu’il est possible de récupérer quand nécessaire.

La seconde suite logicielle constitue l'application de détection automatique de motifs sonores et d'analyse d'images. Elle est composée de deux parties installées sur l'un et l'autre des deux calculateurs associés aux microphones et aux caméras. La partie relative à la détection automatique des motifs sonores est construite autour de l'architecture serveur Jack (http://jackaudio.org/) et des librairies IPP d'intel (Intel Integrated Performance Primitives 5.1) (http://www.intel.com). Elle permet l'acquisition et l'analyse en temps-réel des signaux fournis par les microphones. Le logiciel identifie simultanément tous les motifs sonores pour lesquels un fichier regroupant tous les éléments de leur modèle est disponible. Pour obtenir le fonctionnement de jack en mode temps réel, le module Realtime Linux Security Module est installé.

La partie relative à l'analyse d'images permet d'acquisition et la compression des images acquises puis leur transmission par le réseau au PC d'émission. La méthode de compression implantée est la méthode JPEG. Le flux vidéo peut être transmis en UDP ou en TCP et une modulation du taux de compression est possible.

2.2 Configuration matérielle de la partie télécoms La configuration matérielle de la partie télécommunications est constituée de

la manière suivante: En émission :

— 1 PC Linux — 1 Carte d’émission PCI multi-voies de type ICS-564 — 2 générateurs de signaux arbitraires (Agilent ou Rhode&Schwarz) — 2 amplificateurs de puissance de 40dB. — 2 antennes (au maximum) Lors des essais, ce PC est placé dans le bus. Il reçoit les images sur son

port Ethernet (webcam déportée sur un second PC présent dans le bus), avant de les émettre à son tour. En réception :

— 1 PC Linux — 1 Carte d’acquisition PCI multi-voies de type ICS-554B avec

modification du quartz pour obtenir une fréquence de 102.4MHz — 1 récepteur THALES 4 voies synchrones — 4 préamplificateurs de puissance (si nécessaire) — 4 antennes (au maximum)

Le démonstrateur


Les PC utilisés sont des modèles DELL Précision 670 qui possèdent les caractéristiques suivantes:

— Système d'exploitation Linux (noyau 2.6) — 2 Microprocesseurs Intel Xéon 64 bits, fréquence d'horloge 3,6 GHz

avec 2 Mo de cache de niveau 2 — Mémoire vive: 2 Go DDR2 — Disque dur Serial ATA 60 Go

Le système d'exploitation est dans une version assez minimaliste afin

d'alléger son fonctionnement. Afin de réaliser des transmissions en temps réel, le système d’exploitation des 2 PC a été modifié. Le nanokernel ADEOS/DIC développé par Thales, Bull et d'autres partenaires dans le cadre du projet Hyades (www.hyades-itea.org) a été installé. En raison des fortes contraintes temporelles régissant le système, tant à l'émission qu'à la réception, chacun des PC doit bénéficier d'un environnement temps réel qui garantit la maitrise des temps d'exécution et le respect des priorités des différentes tâches. L’intérêt de l’utilisation de la souche temps réel Hyades a été d’assurer que les modems utilisés dans le cadre des démonstrations étaient fonctionnels et permettaient d’augmenter les bandes passantes traitées. L’utilisation d’un système d’exploitation temps réel ne permet pas d’effectuer en moyenne plus d’opérations par seconde mais assure que sur certains évènements, les opérations programmées seront déclenchées sans latence. Comme il n’y a pas de latence, les signaux à traiter ne s’accumulent pas et les débits sont alors maximaux. Ce sont ces particularités logicielles et matérielles, ainsi que leur exploitation qui sont détaillées dans les sections suivantes.

3. Le module de démonstration RF

3.1. Architecture du démonstrateur en émission 3.1.1. Matériel La carte ICS-564 est une carte d’émission 4 voies. Elle utilise 4 DAC (Digital

to Analog Converter) 14 bits pour convertir simultanément des fréquences d’échantillonnage allant jusqu’à 200 MHz sur chaque voie. L’horloge nécessaire aux convertisseurs peut être soit interne (50 MHz) soit externe (<200 MHz), avec un coefficient multiplicateur permettant d’augmenter la fréquence d’un facteur 4 à 20. Les données d’entrées passent par un FPGA avant d’être écrites dans 4 FIFO (1 par voie). Le routage de ces données vers les différentes FIFO est déterminé par le réglage de divers registres, ce qui permet aux mêmes données d’être redirigées vers plusieurs FIFO. Chaque FIFO a une taille de 65536 x 72 bits, ce qui implique un maximum de 65536 x 4 échantillons 16 bits par DAC. En plus de ces 4 FIFO, la carte dispose d’une FIFO de taille 65536 x 72 bits entre l’interface PCI (66 MHz/ 64 bits) et le FPGA pour rendre possible la mise en buffer de données si nécessaire.



La fréquence de conversion est supérieure à la fréquence d’entrée des données; le rapport entre les 2 correspond au rapport d’interpolation du convertisseur.

Figure 3.7 : Carte ICS 564

Figure 3.8: Schéma interne de la carte ICS 564

Les données d’entrée doivent être présentées sous forme d’échantillons de

14 bits en complément à 2, justifiés sur le poids fort des 2 moitiés du mot de 32 bits. Si les échantillons sont au format complexe (pour le mode modulation en quadrature), les 16 bits hauts contiennent la partie réelle (I) et les plus bas la partie imaginaire (Q). Pour des échantillons au format réel, la partie Q est remplacée par la partie I de l’échantillon suivant. Les 2 bits de poids faible de chaque échantillon (I, Q ou réel) sont ignorés.

Le démonstrateur


Figure 3.9 : Format des données d’entrée complexes

Figure 3.10 : Format des données d’entrée réelles

La carte ICS-564 peut être utilisée dans divers modes : — Mode continu : les données sont converties de manière continue à

partir de l’activation du trigger, jusqu’à l’arrêt de la carte. Pour cela, les données doivent être constamment acheminées par le bus PCI.

— Mode Loop : un nombre fixe d’échantillons (identique pour chaque voie) est constamment répété à partir de l’activation du trigger, jusqu’à l’arrêt de la carte.

— Mode One-shot : un nombre donné d’échantillons (programmable par registre pour chaque voie) est converti à chaque activation du trigger. Le nombre d’échantillons à écrire dans le buffer de chaque voie est défini par un registre dédié. Le mode One-shot est divisé en 2 sous-modes : avec rechargement, et sans rechargement de données. Dans le premier, de nouvelles données doivent être écrites dans le buffer avant chaque conversion. Dans le second, les données de la FIFO sont initialisées une fois, et un nombre défini d’échantillons est converti à chaque activation du trigger jusqu’à la désactivation de la carte.



En plus de ces modes, on dispose pour les DAC de plusieurs modes de conversion : single tone (fréquence seule ; pas de données nécessaires en entrée), modulation en quadrature et interpolation.

— Mode ‘single tone’ : il permet d’utiliser la carte en tant qu’horloge synchronisée. 4 horloges (1 par voie) peuvent ainsi être créées. Il n’est pas nécessaire d’avoir des données d’entrée.

Figure 3.11 : ICS-564 en mode Single Tone

— Mode modulation en quadrature : dans ce mode, les données d’entrée

(14 bits) sont partagées en données I et Q, puis interpolées et fournies au DAC sous la forme :

I.cos wt - Q.sin wt

où w = est défini par le DDS (digital quadrature oscillator)

— Mode interpolation : les échantillons sont interpolés avant d’être transmis au DAC. Le signal reste en bande de base (pas de modulation). Le coefficient minimum d’interpolation valant 4, la fréquence maximale d’échantillons en entrée vaut 50 MHz.

Figure 3.12 : ICS-564 en mode modulation en quadrature

On utilise le PC pour générer le ou les signaux en temps réel et la carte ICS-

564 pour l’émission multi-voie. La carte ICS-564 utilise pour la fréquence de conversion des DAC une horloge externe (avec un coefficient multiplicateur 4). Par ailleurs, on choisit un facteur d’interpolation de 28. Avec une horloge externe réglée à 44.8 MHz, on obtient ainsi une fréquence de conversion des

Le démonstrateur


DAC de 44.8x4=179.2 MHz, donc une largeur de bande du signal de 179.2 / 28 = 6.4 MHz. Les 2 signaux issus de la carte sont émis à une fréquence intermédiaire de 10 MHz, et envoyés sur l’entrée I de 2 générateurs de signaux arbitraires (de type Agilent ou Rhode&Schwarz), où ils sont transposés à la fréquence désirée.

Figure 3.13 : Transposition en fréquence

Figure 3.14 : Montage en émission

3.1.2 Logiciel Compte tenu des contraintes temporelles, nous devons nous restreindre à

un fonctionnement MIMO à 2 voies d’émission.



On émet des séquences (trames) de 26 symboles OFDM, en les envoyant par 2 à la carte ICS-564 pour chacune des 2 voies (on ne tient pas le temps réel en les envoyant individuellement). La construction en temps réel de ces séquences est confiée à 2 tâches : l’une (sur le processeur 1) crée la première séquence de chaque voie, l’autre (sur le processeur 2) crée la seconde séquence.

Par ailleurs, un interfaçage de notre modem avec un flux réseau UDP a été développé afin de pouvoir traiter les données issues d’un autre PC. Il est ainsi possible de transmettre de la vidéo. En pratique, le débit des trames UDP est variable (dans le cadre d’EVAS, il dépend par exemple du codage source des images à transmettre), mais notre modem possède un débit constant de trames OFDM. Lorsque l’on manque de trames UDP, il est alors nécessaire d’insérer à l’émission des trames de bourrage afin de pouvoir continuer à construire les trames OFDM à émettre. En outre, ces trames de bourrage (qui sont connues) peuvent permettre, en réception, de calculer un taux d’erreurs binaires.

La figure 3.16 représente le fonctionnement du programme. Dès que 2 trames de 564 octets UDP sont reçues, elles sont traitées en parallèle (codage, modulation OFDM) par 2 tâches. A l’issue de ce traitement, on dispose de 2 trames de symboles OFDM pour chaque voie (en mode Alamouti, les trames de la voie 2 sont déduites de celles de la voie 1). Par la suite, on fait intervenir une étape d’écrêtage (facultative) afin de réduire la dynamique du signal. Enfin, les données sont mises au format ICS avant d’être envoyées vers la carte d’émission, dès que celle-ci nous signale qu’elle est presque à court de données (fonctions wait DAC 1 empty et wait DAC 2 empty).

Figure 3.15 : Création des 4 séquences sur 2 processeurs

Le démonstrateur


Figure 3.16: Fonctionnement du programme

Ecrêtage : Comme on peut le voir sur la figure 34, un étage d’écrêtage (optionnel) a été

intégré en émission. Sa fonction est de régler la puissance du signal émis en écrêtant le signal OFDM. L’opération d’écrêtage consiste simplement à couper toutes les valeurs au-dessus d’un certain niveau de puissance. A chaque trame OFDM, le programme recherche les échantillons qui vérifient cette condition et les ramène à la puissance correspondant au seuil d’écrêtage voulu. Enfin il ajuste l’amplitude du signal obtenu afin qu’il occupe toute la dynamique des convertisseurs (sur l’ICS-564, l’amplitude maximale des voies réelle et imaginaire est égale à 32767).

Après écrêtage, le signal est un peu dégradé. Mais du fait que l’excursion en amplitude est diminuée, on peut par la suite fournir en entrée d’un éventuel amplificateur un signal d’une puissance moyenne plus élevée, tout en restant dans la zone de fonctionnement linéaire de l’amplificateur (cf figure 3.18).



Figure 3.17: Signal avant, et après écrêtage

Figure 3.18 : Points de fonctionnements d’un amplificateur de puissance avec un signal écrêté

3.2. Architecture du démonstrateur en réception 3.2.1. Le matériel

a) Caractéristiques du récepteur RF THALES Le récepteur réalise la partie RF de la réception. Il opère entre 20 MHz à

3000 MHz. Chaque voie possède 20 MHz de bande passante. Les signaux sortent à la fréquence intermédiaire MHzFI 64= et couvrent une bande de 20 MHz (de 54 MHz à 74 MHz). Les quatre voies sont synchrones. Le récepteur se commande à partir du PC d'acquisition et de programmes C dédiés implantés sous Linux. Il est possible de sélectionner le nombre de voies de réception

Le démonstrateur


utilisées (entre 1 et 4), la fréquence de réception et l'atténuation (entre 0 et 50 dB). En pratique, il n'est pas conseillé d'utiliser le matériel dans ces limites de fonctionnement. Afin de s'assurer de l'absence de toute distorsion, il est préférable de ne pas dépasser la fréquence de 2,7 GHz et une largeur de bande de 15 MHz. Après traitement des signaux reçus, le récepteur les transmet à la carte d'acquisition en les transposant à la fréquence intermédiaire FI . b) Carte d’acquisition des signaux

La carte ICS 554B est une carte d’acquisition 4 voies synchrone. Une modification du quartz a été réalisée afin d’obtenir une horloge à 102.4 MHz. Elle est composée de 4 ADC (Analog to Digital Converter), de 4 DDC (Down Converter Chip), d’un FPGA, de deux FIFO de 512Ko et d’une interface PCI 64 bits/66 MHz.

La carte ICS prend en entrée un signal sous porteuse de 64 MHz avec une amplitude comprise entre –0,6 et 0,6 V. Ce signal est échantillonné à 102.4 MHz (signal replié à 38.4 MHz) La carte d’acquisition peut fournir soit les données réelles du signal en sortie des ADC, soit des données complexes (I/Q) si l’on désire convertir le signal en base de base avec les DDC. Dans les deux cas, il est possible de définir la décimation en fréquence du signal et le nombre de voies utilisées (1 à 4 en réel, 2 ou 4 en complexe). La carte peut fonctionner sous deux modes : continu ou capture. Dans le mode continu, les données arrivant sur les canaux sélectionnés sont traitées en continu. Dans le mode capture, un nombre d’échantillons fixé est traité sur le déclenchement d’un trigger.

Figure 3.19 : Schéma interne de la carte ICS 554



Figure 3.20 : Carte ICS 554

Les ADC servent à numériser chacune des 4 voies de la carte. Ils ont une

précision de 14 bits. Les DDC sont utilisés pour convertir des signaux QPSK en bande de base. Ils donnent en sortie des échantillons complexes (I+jQ) sur 2x24 bits.

Le FPGA joue un rôle de multiplexeur. Il sélectionne soit les sorties des ADC des voies choisies, soit les sorties des DDC selon le mode de fonctionnement (réel ou complexe). Il écrit ensuite les données dans les FIFO. Dans la FIFO 1 sont stockées les données relatives aux voies 1 et 2 et, dans la FIFO 2 celles relatives aux voies 3 et 4.

L’interface PCI permet au PC hôte de configurer la carte et de venir récupérer les données stockées dans les FIFO. Il a une fréquence de 66 MHz sur 64 bits ce qui représente un débit maximum de 515 Mo/s. La récupération des données se fait par un transfert DMA. C’est une copie directe des FIFO vers un espace spécifié dans la RAM du PC, elle ne sollicite pas l’intervention du processeur.

La carte possède 4 registres concernant l’état de chaque FIFO : «FIFO vide», « FIFO presque vide », « FIFO presque pleine » et « FIFO pleine ». Il est possible de programmer la valeur à laquelle les flags « FIFO presque vide » et « FIFO presque pleine » passe à 1. Lorsque la FIFO atteint la valeur correspondante à « FIFO presque pleine », une interruption est envoyée au PC hôte pour l’avertir. Pour les autres flags, il faut venir lire les registres de la carte pour connaître leur état.

Dans le cadre du modem, on désire convertir une voie en bande de base. La carte est configurée en mode continu avec des données complexes en sortie. Cependant l’utilisation du mode complexe implique une contrainte car la carte ICS fonctionne au minimum avec deux voies (1&2 ou 3&4) et les données des deux voies sont entrelacées lors du stockage dans la FIFO (voir figure 16). Le

Le démonstrateur


format consiste en quatre échantillons issus alternativement des voies 1 et 2. Ce format impose d’une part d’avoir à récupérer une taille de données deux fois plus grande et d’autre part d’avoir à traiter le contenu pour retrouver uniquement les données de la voie 1.

Figure 3.21 : Format des échantillons et format de stockage

Format d’un échantillon complexe

63 39 31 7 0

I (24 bits) Q (24 bits) 11111111 11111111

échantillon 1 - voie 1









Format de stockage dans la FIFO 1

Figure 3.22 : Fonctionnement du modem (par cable)



Figure 3.23 : Montage en réception

La carte ICS-554 échantillonne le signal reçu à une fréquence de

102.4 MHz, ce qui le ramène à la fréquence intermédiaire de 38,4 MHz (=102,4-64). Enfin, le DDC (digital down converter) ramène ce signal en bande de base, avec une décimation d’un facteur 16. On retrouve alors bien la largeur de bande initiale en fréquence de sortie : fe’ = 102.4/16 = 6.4 MHz.

Remarque : Chaque échantillon est constitué de 2 x 4 octets (partie réelle + partie imaginaire). Pour une bande de 6.4 MHz, avec une acquisition 2 voies, on obtient donc un débit sur le bus PCI de 6.4 x 2 x 8 = 102.4 Mo/sec (qui est bien inférieur au débit théorique maximum de 515Mo/s sur le bus PCI).

3.2.2. Le logiciel Du coté réception, le programme est composé de 4 tâches, réparties sur 2

processeurs. La tâche d’acquisition a pour rôle de récupérer les données de la carte d’acquisition. La tâche de traitement est utilisée pour trouver l’offset de synchronisation de départ (synchronisation longue) puis effectuer le suivi par synchronisation courte et démoduler les signaux. La synchronisation courte met en œuvre les calculs optimisés développés dans la partie Traitement du Signal et Algorithmes. Elle utilise la matrice Slong avec le critère de synchronisation simple (corrélation) afin d’alléger les traitements. La tâche de transfert fait la jonction entre les deux tâches précédentes. Elle transmet les données correspondant aux trames de la voie 1 à la tâche de traitement à partir des données acquises par la tâche d’acquisition. Enfin une tâche est dédiée au décodage des signaux. Les bits décodés sont envoyés par UDP vers un second PC, qui peut décoder et afficher la vidéo.

Le démonstrateur


3.2.2.1. Tâche d’acquisition (processeur 1) La tâche d’acquisition a pour rôle de récupérer les données de la carte

d’acquisition. Toutes les 100 ms, elle se réveille et va lire le flag « FIFO presque pleine ». Si la FIFO a atteint le niveau « FIFO presque pleine » (280 Ko), elle va lire les données et les sauve dans une mémoire tampon. Comme la FIFO se remplit à un débit constant de 102,4 Mo/s, la tâche d’acquisition vient récupérer les données de la carte toutes les 2,6 ms.

Cette tâche est critique car si du retard est pris dans la récupération des données, la FIFO peut être pleine et des données perdues. Les données sont donc stockées dans un buffer circulaire (raw_buffer) de taille 10x280Ko. De sorte que même si ce buffer est partagé avec la tâche de transfert, les deux tâches peuvent travailler simultanément sur deux sections différentes du buffer. De plus comme la tâche d’acquisition possède une priorité supérieure à celle de transfert, cette dernière ne perturbera pas la tâche d’acquisition.

La tâche d’acquisition est capable de détecter d’éventuelles pertes de données. Lors de la récupération des données, la tâche lit le flag « FIFO pleine » pour vérifier qu’il n’y a pas eu de perte de données. Un message d’erreur est affiché si un dépassement de FIFO a eu lieu.

Comme les tâches de transfert et de traitement ne sont pas synchronisées entre elles, il est possible que la tâche d’acquisition fonctionne à un rythme plus rapide que la tâche de transfert. En conséquence, à un moment donné, elle pourrait essayer d’écrire dans une zone du buffer utilisée par la tâche de transfert. Dans ce cas, les données seront récupérées pour que la FIFO soit vidée mais elles ne seront pas sauvegardées et perdues. C’est une perte contrôlée car on perd des données mais pas la synchronisation avec le signal. Un message d’erreur est affiché. Cet événement a une probabilité faible de se produire mais il est anticipé.

Un système de pointeurs est utilisé pour réserver les zones mémoires dans le buffer circulaire. Le pointeur lock_write est toujours positionné au début de la zone où la tâche va ou est entrain d’écrire. Les pointeurs lock_read_begin et lock_read_end définissent le début et la fin de zone de travail de la tâche de transfert. Ainsi si lock_write et lock_read_begin sont égaux, cela signifie que la tâche d’acquisition veut écrire dans une zone utilisée par la tâche de transfert. Les données de la FIFO ne seront pas sauvegardées dans le buffer.



Figure 3.24: Gestion des buffers

3.2.2.2. Tâche de transfert (processeur 1) La tâche de transfert opère la jonction entre la tâche d’acquisition et la tâche

de traitement. Elle a trois rôles : — récupérer les trames de signal dans le buffer partagé avec la tâche

d’acquisition ; — convertir les données brutes du buffer dans le format attendu par la

tâche de traitement ; — ajuster le gain du récepteur. Les tâches de transfert et de traitement partagent deux buffers qui ont la

taille d’une trame (x 2 ou 4 voies pour le MIMO). Deux buffers sont utilisés pour

Le démonstrateur


paralléliser le code. Ainsi la tâche de transfert peut écrire des données dans le buffer n°1 pendant que la tâche de traitement utilise le second. A la trame suivante, le transfert a lieu dans le buffer n°2 tandis que le traitement travaille sur le premier (cf buffers acqUnderCopy et acqUnderTreatment dans notre programme).

Les tâches de transfert et de traitement échangent des données. Pour synchroniser ces transferts, un système de sémaphores est utilisé. Lorsque la tâche de transfert a fini de copier une trame dans le buffer destiné à la tâche de traitement, elle relâche le sémaphore data_rdy. Ainsi la tâche de traitement est avertie qu’elle peut utiliser ce buffer. De même, la tâche de transfert attend que la tâche de traitement relâche le sémaphore treat_rdy pour pouvoir utiliser l’offset de synchronisation.

Au démarrage du programme, la tâche de transfert attend d’abord que la tâche d’acquisition ait écrit trois fois dans le buffer circulaire raw_buffer afin que des données à traiter soit disponibles. Puis elle lit les premières données de raw_buffer correspondant à la taille d’une trame et recopie les données I/Q dans le buffer buf1. Ce premier buffer va servir à trouver l’offset de synchronisation du signal. Elle attend ensuite la notification (par sémaphore) de la tâche de traitement pour pouvoir récupérer l’offset et se décaler d’une taille de trame plus offset dans raw_buffer. Ainsi la prochaine recopie (dans buf2) contiendra une trame entière de signal. La tâche de transfert fournit les trames du signal à la tâche de traitement jusqu’à la fin du programme.

Au niveau du buffer partagé avec la tâche d’acquisition, il est possible que la tâche de transfert rattrape la tâche d’acquisition (lock_read_end égal à lock_write). Dans ce cas, aucune nouvelle donnée n’est disponible pour le traitement. La tâche de transfert attend donc par pas de 100 μs que la tâche d’acquisition ait récupéré un nouveau buffer.

Remarque : si on fonctionne avec 3 ou 4 voies de réception, on va de la même façon chercher les données dans la deuxième FIFO de la carte ICS-554 (qui contient les voies 3 et 4 entrelacées), qui sont ensuite recopiées dans les buffers alternés (en voie 3 et 4) déjà vus précédemment.

Lors de la recopie vers les buffers alternés, un désentrelacement et une mise en forme des échantillons sont effectués pour passer du format complexe ICS à un format exploitable par notre tâche de traitement (type complexe du C99). De plus, c’est à l’issue de cette recopie qu’on procède régulièrement à un contrôle automatique du gain du récepteur. Pour cela, on mesure la puissance des échantillons recopiés et on actualise le gain du récepteur de manière à toujours conserver une puissance constante. On évite ainsi les saturations de la carte ICS.

3.2.2.3. Tâche de traitement (processeur 2)

La tâche de traitement est constituée de 3 fonctions successives : synchronisation courte (ou longue si on a perdu la synchronisation), estimation



des différents canaux, calcul des SNR, démodulation des signaux reçus (c’est à dire, dans notre cas, reconstruction des symboles QPSK émis).

Au démarrage, la tâche de traitement va effectuer une synchronisation de la trame entrante et retourner l’offset trouvé à la tâche de transfert pour qu’elle puisse fournir une trame. Cette synchronisation (longue, c’est à dire sur un large intervalle) se fait grâce à une simple corrélation. Si aucune synchronisation n’est trouvée, la synchronisation est répétée jusqu’à 5 fois. Si aucun pic de synchronisation n’a été trouvé au bout de la cinquième fois, le programme est quitté. Aucun signal n’a été détecté.

Une fois cette synchronisation longue trouvée, la tâche de traitement n’effectue plus qu’une courte synchronisation pour chaque trame mais va extraire les données du signal. Cette synchronisation fine est nécessaire car elle permet d’une part de vérifier que le signal se trouve bien dans le buffer fourni par la tâche de transfert et d’autre part de se recaler en réponse à un léger décalage fréquentiel du signal. On utilise dans le programme un intervalle de recherche de largeur 30 échantillons, un décalage constant de 32 échantillons sur l’instant de synchronisation, et la matrice (qui suppose des 0 entre chaque trame). L’offset de synchronisation trouvé est retourné à la tâche de transfert à la fin de la synchronisation et avant l’extraction des données. Ainsi la tâche de transfert peut éventuellement commencer à copier une nouvelle trame dans le second buffer, tandis que le traitement continue à travailler sur le premier.

La tâche de traitement se poursuit avec l’estimation des canaux, le calcul des SNR, puis la démodulation des signaux reçus (avec égalisation MMSE ou Alamouti), et la correction du déphasage (grâce aux symboles pilotes). A l’issue de ce traitement, un sémaphore QPSK_rdy est relâché pour autoriser le début du décodage des signaux démodulés (tâche de décodage) sur le processeur 1.

Si la synchronisation courte a échoué (c’est à dire si les SNR que l’on calcule via la tâche de traitement sont inférieurs à 2 dB), on repasse dans la phase de synchronisation longue (c’est à dire sur une plus grande portion de signal, avec une simple corrélation).

Remarque : la tâche de traitement suit les calculs évoqués dans la partie Traitement du Signal et algorithmes. Pour le calcul des corrélations entre 2 vecteurs x et y, on passe par le produit de convolution entre x et le vecteur y retourné temporellement (ce qui est équivalent). Pour calculer ce produit de convolution, on dispose d’une fonction de transformée de Fourier rapide (FFT) dont on tire profit en posant :

( )( )( )( ) ( )

1

1

1 1

* *

*

.

x y TF TF x y

TF X Y

TF X TF Y

−

−

− −

=

=

=

Le démonstrateur


Le calcul de la corrélation entre 2 vecteurs est donc ainsi ramené à un produit de 2 transformées de Fourier inverses, qui est suffisamment rapide dans notre cas.

3.2.2.4. Tâche de décodage (processeur 1)

Cette tâche débute par le calcul des LLR des bits associés aux symboles estimés lors de la démodulation (tel qu’il est décrit dans la partie Traitement du Signal et Algorithmes) et se poursuit par le décodage convolutif (algorithme de Viterbi). Compte tenu des contraintes temporelles, il n’a été possible que de décoder une des 2 émissions en temps réel (la seconde étant seulement démodulée). On peut néanmoins tirer parti du MIMO en fonctionnant avec une émission du type Alamouti (car dans ce cas on a également 2 émissions, mais un seul signal à décoder).

Figure 3.25 : Répartition des tâches sur les 2 processeurs

Ajustement des paramètres Dans un souci d’optimisation pour le temps réel, la plupart des paramètres

sont peu ou pas réglables : Au niveau du signal : — La taille de la FFT (liée au nombre de porteuses de notre signal

OFDM) est fixée à 256 ; — La taille du préambule (nombre de symboles connus) est fixée à 2 ; — La modulation est QPSK ( cf fonction de codage et décodage). Au niveau de l’acquisition :



— FIFO_LEVEL : seuil de remplissage de la FIFO (= almost full flag), fixé à 280 Ko. Cette taille correspond à une acquisition d’une longueur de 2 trames sur 2 voies ;

— Un buffer DMA circulaire de 10 x FIFO_LEVEL ; — Taille des blocs de traitement : légèrement supérieure à la taille d’une

trame (pour être sûr d’avoir une trame complète même avec un léger décalage due à une mauvaise synchronisation) ;

— Un facteur de décimation 16 pour les DDC ( i.e notre bande maximale vaut 102.4 / 16 = 6,4 MHz).

3.3. Traitement du signal Cette section expose différents résultats de traitement du signal utiles dans

notre projet, ainsi que les calculs optimisés qui ont été mis en œuvre lors du développement du modem. Seuls les traitements qui diffèrent de ceux utilisés lors des simulations sont exposé dans cette partie.

3.3.1. Modélisation du signal La modélisation du signal utilisé pour la chaîne de transmission réelle diffère

de celle exposée dans le chapitre 2. Cette modification permet d’exploiter plus efficacement les algorithmes et permet de les utiliser plus aisément dans le cas de transmission temps réel sur des canaux sélectifs en fréquence.

Nous posons donc le modèle de signal suivant (dans le domaine temporel):

( )X S Nτ = Γ +

avec :

- : canalΓ (longueur L) Matrice Nr x (Nt x L) - Nr : le nombre d’antennes de réception - Nt : le nombre d’antennes d’émission - S : la matrice associée à la partie connue de la séquence émise

Matrice (L x Nt) x Ns. Dans le cas Nt = 2 :

†S =

'0 0

'0 0

' '1 1

0 0 0 0

0 0

s s s sN N L N N L

s s

s s

s s s s− − − −

⎛ ⎞⎡ ⎤⎡ ⎤⎜ ⎟⎢ ⎥⎢ ⎥⎜ ⎟⎢ ⎥⎢ ⎥⎜ ⎟⎢ ⎥⎢ ⎥⎜ ⎟⎢ ⎥⎢ ⎥⎜ ⎟⎢ ⎥⎢ ⎥⎜ ⎟⎢ ⎥⎢ ⎥⎜ ⎟⎢ ⎥⎢ ⎥⎜ ⎟⎢ ⎥⎢ ⎥⎣ ⎦ ⎣ ⎦⎝ ⎠

L L

M O M M O M

M O M O

M M

M M M M

L L L L

Le démonstrateur


tx = 1 tx = 2 que l’on note parfois longS , ou :

†S =

' '1 0 1 0

' '1 1s s s s

L L

N N L N N L

s s s s

s s s s

− −

− − − −

⎛ ⎞⎡ ⎤ ⎡ ⎤⎜ ⎟⎢ ⎥ ⎢ ⎥⎜ ⎟⎢ ⎥ ⎢ ⎥⎜ ⎟⎢ ⎥ ⎢ ⎥⎣ ⎦ ⎣ ⎦⎝ ⎠

M M M

L L L L

version tronquée par le haut de la matrice S , de dimension (L x Nt) x (Ns-L+1), que l’on notera par la suite courtS . Le modèle de signal utilisant courtS suppose que l’on ne connaît pas les échantillons précédant la séquence connue, tandis que celui utilisant longS suppose que l’on a une suite d’échantillons nuls avant

la séquence connue (ce qui sera notre cas car on émettra un symbole blanc avant chaque début de trame, c’est à dire juste avant le début de la séquence connue).

Les différentes colonnes de la matrice †S représentent des versions décalées dans le temps de la séquence connue. En multipliant la matrice canal Γ par cette matrice S, on obtient bien la somme des signaux correspondant aux différents trajets retardés ayant affecté la séquence connue.

— ( )X τ : observation de la séquence connue (instantτ ) - Matrice Nr x

Ns (dans le cas courtS : Nr x (Ns-L+1) )

— ( )X τ = ( )( ) ( 1)sx x Nτ τ + −L

— Ns : taille de la séquence connue (2 symboles x 320 échantillons) — L : taille du canal estimé (64)

— N : bruit (blanc gaussien puissance 2σ )

3.3.2 Estimation de canal LMMSE suivant cette modélisation L’objectif est ici de déterminer les coefficients du canal de propagation Γ .

Pour cela, on cherche quels coefficients de canal minimisent la puissance du bruit dans le modèle de signal vu précédemment. Il s’agit du critère de minimisation de l’erreur quadratique moyenne linéaire (LMMSE). On veut

trouver Γ qui minimise 2( )E X Sτ⎡ ⎤−Γ⎣ ⎦ , c’est à dire :



ijΓ tels que : ,i j∀

( ) ( )( )†( ) ( ) 0ij

E tr X S X Sδ τ τδ⎡ ⎤⎡ ⎤−Γ −Γ =⎢ ⎥⎣ ⎦Γ⎢ ⎥⎣ ⎦

,i j∀†

0ij

δδΓ

=Γ

et †i j

ij

e eδδΓ

=Γ

⇒

( ) ( )† †( ) 0i jE tr X S e e Sτ⎡ ⎤⎡ ⎤−Γ − =⎢ ⎥⎣ ⎦⎣ ⎦

( )†† ( ) 0j iE tr e S X S eτ⎡ ⎤⎡ ⎤−Γ =⎢ ⎥⎣ ⎦⎣ ⎦

( )† † † †( ) 0j iE tr e S X S eτ⎡ ⎤⎡ ⎤− Γ =⎣ ⎦⎣ ⎦

( )† † † 0SX SSτ − Γ =

( ) 1† † † ( )SS SX τ−

Γ =

( ) 1† †( )X S SSτ−

Γ =

d’où l’on déduit la puissance du bruit par :

22 1 ( )X SNsNr

σ τ= −Γ

Il reste à déterminer ( )X τ , c’est à dire l’instant de synchronisation τ qui

minimise 2( )X Sτ −Γ :

22 † † 1( )X S X XS SS S−−Γ = −

( )( )† † 1 † † † 1 †( ) ( )tr X XS SS S X S SS SX− −⎡ ⎤= − −⎣ ⎦

† † † 1 † † † † † † 1 † † 1 †( ) ( ) ( ) ( )( )tr XX XS SS SX XS SS SX XS SS SS SS SX− − −⎡ ⎤= − − +⎣ ⎦

† † † 1 † † † 1 †2 ( ) ( )tr XX XS SS SX XS SS SX− −⎡ ⎤= − +⎣ ⎦

† † † 1 †( )tr XX XS SS SX−⎡ ⎤= −⎣ ⎦

Le démonstrateur


⇒

2 † † † 1 †min ( ) min ( ( ) ( ) ) ( ( ) ( ) ( ) )X S tr X X tr X S SS SXτ ττ τ τ τ τ−⎡ ⎤−Γ = −⎣ ⎦

On peut considérer comme approximation de ce critère (en considérant †( )tr XX constant et † 1( )SS − diagonale constante en supposant que les

échantillons de la séquence connue sont décorrélés entre eux) :

( ) ( )( )[ ]††2 )(maxmin τττ ττ SXSXtrSX =Γ−

( ) †2 )(maxmin SXSX ττ ττ =Γ−

Dans la suite, on va s’intéresser à la détermination de τ et au calcul du † ( )XS τ qui lui est associé. On en déduira alors le canal par

( ) 1† †( )X S SSτ−

Γ = et la puissance du bruit par 22 1 ( )X S

NsNrσ τ= −Γ (la

puissance du signal étant la différence entre la puissance reçue ( †( )tr XX ) et la puissance du bruit, on en déduira le SNR).

Pour déterminer τ , on envisagera dans un premier temps une

synchronisation par recherche du maximum vu précédemment (critère optimal), puis une synchronisation moins coûteuse, basée sur la recherche du maximum d’une simple corrélation entre X et S (critère simple qui ne prend en compte que le trajet principal de propagation). Cette opération de synchronisation représentant une part importante en terme de temps dans la chaîne de réception du modem, il est essentiel de l’optimiser.

3.3.3. Synchronisation des signaux en réception Dans le chapitre 2, en simulation, la synchronisation a été considérée

comme parfaite en réception. Dans le cas d’un système de transmission réelle cette hypothèse n’est pas valide et il est nécessaire d’implémenter un étage effectuant cette fonction. Les méthodes de synchronisation mises en œuvre sont exposées dans cette section. Les optimisations qui leur ont été apportées sont également détaillées. Nous distinguerons le cas du modèle de signal avec Slong du cas utilisant Scourt.



c) Cas exploitant Slong

max de † ( )XS τ (critère optimal)

Nous avons vu qu’il est nécessaire de procéder à une synchronisation pour trouver ( )X τ qui minimise le critère, et ainsi déterminer le canal par :

( ) 1† †( )X S SSτ−

Γ =

Le problème consiste alors, après s’être placé sur un intervalle de τ jugé suffisamment large et centré sur la position de synchronisation attendue, à calculer les †( )X Sτ (notés dans la suite † ( )XS τ ) et à sélectionner celui dont la norme est maximale pour calculer Γ . Un tel calcul est coûteux, et peut être nettement optimisé. Il est tout d’abord intéressant de calculer préalablement à tout autre traitement les termes de la convolution entre le signal reçu total et la séquence connue retournée temporellement (opération qui équivaut à une corrélation) : [ ]1 0(0) NsX s s−∗ K K .

Les termes de [ ]1 0(0) NsX s s−∗ K K sont :

1

2 1

0 1 1

0 1 1

0 1

(0). (0) (0)(0). (1). (1) (1)

(0). (1). ( 1). ( 1) ( 1)(1). (2). ( ). (

( ). ( 1).

Ns

Ns Ns

Ns

Ns

Ns

x s terme cx s x s terme c

x s x s x Ns s terme Ns c Nsx s x s x Ns s terme

x s x Ns sτ τ

−

− −

−

−

−

← =⎡ ⎤⎢ ⎥+ ← =⎢ ⎥⎢ ⎥⎢ ⎥+ + + − ← − = −⎢ ⎥⎢ ⎥+ + + ←⎢ ⎥⎢ ⎥⎢ ⎥+ + −⎢ ⎥⎢ ⎥⎣ ⎦

M M

L

L

M

L

M

) ( )

( 1 ) ( 1 )

Ns c Ns

terme Ns c Nsτ τ

=

← − + = − +M

M

Les termes de cette convolution nous seront utiles lors du calcul des † ( )XS τ et de †

max( )XS τ , dans l’optique d’une réduction du nombre d’opérations à effectuer. En effet, il est possible de réaliser le calcul des

† ( )XS τ itérativement, en tirant profit du calcul de † ( 1)XS τ + et du précalcul

des termes de la convolution [ ]1 0(0) NsX s s−∗ K K .

Le démonstrateur


Calcul récurrent de † ( )XS τ = f ( † ( 1)XS τ + ) :

On cherche une relation de récurrence entre † ( )XS τ et † ( 1)XS τ + .

Intéressons-nous notamment au terme de la colonne j de † ( )XS τ et au terme

de la colonne j-1 de † ( 1)XS τ + (notés respectivement † ( , )XS jτ et † ( 1, 1)XS jτ + − ) :

0

0

1

0 0

0

s sN N L

s

s

s s− −

⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠

L

M O M

M O

M

M M

L L

† ( )XS τ : [ ]( ) ( 1)x x Nsτ τ + −L

0 1j L⎡ ⎤−⎣ ⎦L L L L L L

† ( 1)XS τ + : [ ]( 1) ( )x x Nsτ τ+ +L

0 1 1j L⎡ ⎤− −⎣ ⎦L L L L L L

(indice des termes ↑ ) On a :

†0 1( , ) ( ). ( 1). Ns jXS j x j s x Ns sτ τ τ − −= + + + + −L

†

0 1 1( 1, 1) ( 1 1). ( 1 1). Ns jXS j x j s x Ns sτ τ τ − − ++ − = + + − + + + + −L

0( ). ( ). Ns jx j s x Ns sτ τ −= + + + +L

D’où : † †( , ) ( 1, 1) ( ). Ns jXS j XS j x Ns sτ τ τ −= + − − + 0j∀ >

avec : † ( ,0) ( 1 )XS c Nsτ τ= − +



Grâce à cette relation de récurrence, on peut calculer les † ( )XS τ (avec τ parcouru dans le sens décroissant) plus rapidement qu’en effectuant des produits matriciels successifs.

Calcul de †max( )XS τ :

Il reste maintenant seulement à calculer †max( )XS τ pour initialiser le calcul. On

a :

†max max 0 max 1( , ) ( ). ( 1). Ns jXS j x j s x Ns sτ τ τ − −= + + + + −L

et :

( ) ( ) ( )( )( ) 1

1

.1....1

...0.=1

−

−−

+−+++−++

++++−

Nsmax

jNsmax

maxmax

sjNsxsNsx

sjxjNsc

ττ

ττ

d’où : 1

†max max max

0( , ) ( 1 ) ( ).

j

Ns j kk

XS j c Ns j x Ns k sτ τ τ−

− +=

= − + + − + +∑ 1j∀ ≥

avec †max max( ,0) ( 1 )XS c Nsτ τ= − +

Là encore, le calcul obtenu est plus rapide qu’un produit matriciel.

Remarque : avant d’estimer le canal par ( ) 1† †( )X S SSτ−

Γ = , il est

judicieux de retrancher une constante à τ ( 'τ τ= − ) , afin de ne pas placer le trajet d’énergie maximale au tout début de l’estimée du canal (valable pour la suite également). De cette manière il est possible d’estimer correctement des canaux dont le premier trajet n’est pas le trajet principal. On utilisera cet instant de synchronisation 'τ pour démoduler la séquence reçue (en y rajoutant préalablement la taille du préfixe cyclique et le nombre d’échantillons correspondant aux symboles connus pour se positionner au début de la partie utile de la séquence).

max de [ ]1 0( ) NsX s sτ −∗ K K (critère simple)

Avec ce type de synchronisation, on ne prend pas en compte la présence de

multi-trajets et on effectue une simple corrélation entre le signal reçu et la séquence connue :

Le démonstrateur


[ ]1 0( ) NsX s sτ −∗ K K = ( 1 )c Ns τ− +

On peut par conséquent s’attendre à une synchronisation moins bonne si le

canal présente plusieurs forts trajets. On fait juste une recherche de maximum sur les termes de c pour

déterminer τ . Il faut ensuite calculer la matrice † ( )XS τ de manière directe. Ce

calcul est similaire à celui de †max( )XS τ vu précédemment.

d) Cas exploitant Scourt

max de † ( )XS τ (critère optimal) On considère ici les termes de la convolution entre le signal reçu et la

séquence connue retournée et tronquée . Les termes de [ ]0(0) Ns LX s s−∗ K K sont :

1

0 1

0 1

0

(0). (0) '(0)(0). (1). (1) '(1)

(0). (1). ( ). ( ) '((1). (2). ( 1).

( ). ( ).

Ns L

Ns L Ns L

Ns L

Ns L

Ns L

x s terme cx s x s terme c

x s x s x Ns L s terme Ns L c Nsx s x s x Ns L s

x s x Ns L sτ τ

−

− − −

−

−

−

← =⎡ ⎤⎢ ⎥+ ← =⎢ ⎥⎢ ⎥⎢ ⎥+ + + − ← − = −⎢ ⎥⎢ ⎥+ + + − +⎢ ⎥⎢ ⎥⎢ ⎥+ − +⎢ ⎥⎢ ⎥⎣ ⎦

M M

L

L

M

L

M

)( 1) '( 1)

( ) '( )

Lterme Ns L c Ns L

terme Ns L c Ns Lτ τ

← − + = − +

← − + = − +M

M

Comme dans le cas longS , on peut procéder à un calcul par récurrence

des † ( )XS τ et tirer profit du calcul des termes de cette convolution. On note que

la récurrence, dans le cas courtS , s’effectuera sur τ croissant.

Calcul récurrent de † ( )XS τ = f ( † ( 1)XS τ − ) : Intéressons-nous aux termes † ( , )XS jτ et † ( 1, 1)XS jτ − + :



1 0

1s s

L

N N L

s s

s s

−

− −

⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠

L L

M O M

M O M

M M

M M

L L

† ( )XS τ : [ ]( ) ( )x x Ns Lτ τ + −L

0 1j L⎡ ⎤−⎣ ⎦L L L L L L

† ( 1)XS τ − :[ ]( 1) ( 1)x x Ns Lτ τ− + − −L

0 1 1j L⎡ ⎤− −⎣ ⎦L L L L L L


†1 1( , ) ( ). ( ).L j Ns jXS j x s x Ns L sτ τ τ− − − −= + + + −L

†

1 1 1 1 1( 1, 1) ( 1). ( ). ( 1 ).L j L j Ns jXS j x s x s x Ns L sτ τ τ τ− − − − − − − −− + = − + + + − + −L

d’où :

† †1 1 1( , ) ( 1, 1) ( ). ( 1).Ns j L jXS j XS j x Ns L s x sτ τ τ τ− − − − −= − + + + − − −

1j∀ ≥

Calcul de † (0)XS :

Il reste maintenant seulement à calculer † (0)XS pour initialiser le calcul.

Le démonstrateur


1 0

1s s

L

N N L

s s

s s

−

− −

⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠

L L

M O M

M O M

M M

M M

L L

† (0)XS : [ ](0) ( )x x Ns L−L

1 0L j⎡ ⎤−⎣ ⎦L L L L L L


† (0, ) (0). ( ).j Ns L jXS j x s x Ns L s − += + + −L et :

'( ) (0). ( ).j Ns Lc Ns L j x s x Ns L j s −− − = + + − −L d’où :

†

1(0, ) '( ) ( ).

Ns L

k jk Ns L j

XS j c Ns L j x k s−

+= − − +

= − − + ∑ 1j∀ ≥

avec :

† (0,0) '( )XS c Ns L= −

max de [ ]0( ) Ns LX s sτ −∗ K K (critère simple)

Comme dans le cas longS , il est envisageable d’utiliser un critère de

synchronisation simplifié reposant sur une simple corrélation, afin de minimiser les temps de calcul. On recherche alors le maximum sur les termes :

[ ]0( ) Ns LX s sτ −∗ K K = '( )c Ns L τ− + Remarque : l’instant de synchronisation τ trouvé par cette corrélation est décalé de –(L-1) par rapport à l’instant déterminé par le critère optimal. On compensera ce décalage avant de poursuivre.



Il faut ensuite calculer de manière directe le † ( )XS τ associé (pas de calcul par récurrence car τ est connu):

1 0

1s s

L

N N L

s s

s s

−

− −

⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠

L L

M O M

M O M

M M

M M

L L

† ( )XS τ : [ ]( ) ( )x x Ns Lτ τ + −L

1 0L j⎡ ⎤−⎣ ⎦L L L L L L

(indice des termes croissant) Deux cas sont à envisager dans ce calcul, selon les valeurs relatives de τ et de l’indice du terme que l’on cherche à déterminer : Si jτ ≥

On cherche : † ( , ) ( ). ( ).j j Ns LXS j x s x Ns L sτ τ τ + −= + + + −L

On a : ( ) ( ) ( )

( )( ) ( )

( )44444444444 344444444444 21

444444444 3444444444 21

jB

LNsj

jA

j

sjLNsxsx

sxsjxjLNsc

−

−

−−+++

−++−−+−′

.....

.1....= 10

ττ

τττ

1†

0( , ) ( ) ( ).

j

Ns L j kk

XS j B j x Ns L k sτ τ−

− + −=

⇒ = + + − −∑

† ( , ) '( ) ( ) ( )XS j c Ns L j A j RT jτ τ⇒ = − + − − +

avec : 11

0

( ) ( ).

( ) ( ).

j

j kk

j

Ns L j kk

A j x k s

RT j x Ns L k s

τ

τ

−=

−

− + −=

= −

= + − −

∑

∑

Si jτ ≤

Le démonstrateur


On a : ( ) ( ) ( )

( )( ) ( )

( )44444444444 344444444444 21

44444444 344444444 21

jB

LNsj

jA

jj

sjLNsxsx

sxsxjLNsc

−

′

−−

−−+++

−++−+−′

.....

.1....0= 1

ττ

ττ τ

et † ( , ) ( ) ( )XS j B j RT jτ = + † ( , ) '( ) '( ) ( )XS j c Ns L j A j RT jτ τ⇒ = − + − − +

avec : 11

0

'( ) ( ).

( ) ( ).

j kk

j

Ns L j kk

A j x k s

RT j x Ns L k s

τ

τ

τ

−=

−

− + −=

= −

= + − −

∑

∑

Le calcul direct de † ( , )XS jτ (dans le cas SISO), avec 0 30τ≤ ≤ , 0 64j≤ < et Ns = 640, nécessiterait 31 x 64 x (640 – 63) = 1.144.768 multiplications (produit matriciel). Grâce au calcul précédent, il nécessite seulement 87.296 multiplications.

3.3.4 Egalisation MMSE pour du multiplexage spatial en émission Dans le cadre de transmission réelle, le multiplexage spatial et des

communications SISO ont été testés. Dans ces configurations, une égalisation de type MMSE a été utilisé en réception. A ce stade, nous disposons d’une estimation du canal ainsi que de l’observation d’une trame OFDM (dont le début est donné par l’instant de synchronisation déterminé précédemment). L’objectif de l’égalisation est de s’affranchir des interférences inter-symboles dues à la présence de multi-trajets dans le canal de propagation.

Notons N le nombre de sous-porteuses utiles. Dans le domaine fréquentiel, considérons X l’observation (vecteur-ligne de dimension Nr.N, séquences reçues sur les Nr voies, mises bout à bout) de la séquence d’apprentissage A (vecteur-ligne de dimension Nt.N, séquences d’apprentissage des Nt émetteurs, mises bout à bout), qui correspond ici aux quelques premiers symboles connus de la séquence OFDM. On cherche la matrice M (dimension Nr.N x Nt.N) qui minimise la moyenne de l’erreur quadratique (MMSE : minimal mean square error) entre la séquence égalisée et la séquence d’apprentissage, c’est à dire la quantité:

2 † † †( )( )E XM A E tr M X A XM A⎡ ⎤ ⎡ ⎤⎡ ⎤− = − −⎣ ⎦⎣ ⎦⎣ ⎦



On cherche donc les coefficients ijm (coefficients de la matrice M) tels que :

,i j∀ 2

0ij

XM AE

mδ

δ

⎡ ⎤−=⎢ ⎥

⎢ ⎥⎣ ⎦

On obtient :

,i j∀ †

0ij

Mm

δδ

= et †i j

ij

M e em

δδ

= ⇒

† † † †( ) 0i jE tr M X A Xe e⎡ ⎤− =⎣ ⎦ ,i j∀

† † †( ) 0E M X A X⎡ ⎤− =⎣ ⎦

† † † 0E M X X A X⎡ ⎤− =⎣ ⎦

Dans le domaine fréquentiel, avec ( )H TF= Γ sous forme diagonale par blocs (Nr x Nt blocs, correspondant aux Nr x Nt canaux) :

1 1 1 2

1 1 1 2

2 1 2 2

2 1 2 2

(0) 0 0 (0) 0 00 0 0 00 0 ( ) 0 0 (0)

(0) 0 0 (0) 0 00 0 0 00 0 ( ) 0 0 ( )

H H

H N HH H

H N H N

−> −>

−> −>

−> −>

−> −>

⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠

O O

O O

ex : matrice H (Nr=Nt=2)

On a : X AH B= + ⇒ † † † ( ) 0M E X X E A AH B⎡ ⎤ ⎡ ⎤− + =⎣ ⎦ ⎣ ⎦

† † † †( ) ²M H E AA H I E A A Hσ⎡ ⎤ ⎡ ⎤+ =⎣ ⎦ ⎣ ⎦

† † . ² .a aM H R H I R Hσ⎡ ⎤+ =⎣ ⎦

( ) 1† †. . ²a aM R H R H H Iσ−

= +

Le démonstrateur


( ) 1† †. ² .a aM R H H I R Hσ−

= +

1

† †²

a

IM H H HRσ

−⎛ ⎞

= +⎜ ⎟⎝ ⎠

H étant diagonale par blocs, M est de la même forme. L’égalisation de X ( egX ) peut donc être effectuée indépendamment sur chaque sous-porteuse p :

. ( ) ( ).eg eg pX X M X p X p M= ⇔ = p∀

avec pM matrice d’égalisation de la sous-porteuse p (dimension Nr x Nt) ,

extraite de M. exemple : cas Nr=Nt=2 :

11 12

11 12

11 12

21 22

21 22

21 22

(0) (0)

( ) ( )

( ) ( )(0) (0)

( ) ( )

( ) ( )

M M

M p M p

M N M NM

M M

M p M p

M N M N

⎛ ⎞⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟

= ⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎝ ⎠

O O

O O

11 12

21 22

( ) ( )( ) ( )p

M p M pM

M p M p⎛ ⎞

⇒ = ⎜ ⎟⎝ ⎠

( ) ( ), 0 , 1 0 1( ) ( ) ( ) ( )eg Nr eg Nr Nr Nr pp X p X p X p X p M= = = =∀ = ×



On obtient ainsi les symboles estimés de chacune des émissions.

3.3.5 Correction de phase

Lors de transmissions réelles, la propagation des signaux dans le médium

produit un déphasage des signaux en réception. De plus, une possible dérive en fréquence des générateurs engendrera les mêmes effets et s’additionnera aux effets de la propagation.

Dans le cas d’une transmission SISO ou MIMO exploitant le multiplexage spatiale, la correction de phase est réalisée en utilisant les 8 symboles connus chargés sur les porteuses pilotes (phases connues) de chaque symbole OFDM. Le déphasage moyen des symboles reçus par rapport à ces symboles de référence est ensuite calculé de la manière suivante :

))().((= *pilotespilotesesti porteusesSporteusesRmeanPhase

Lors de l’utilisation d’un code d’Alamouti en émission, en réception, les résultats de la démodulation sont très sensibles à une éventuelle dérive en fréquence des 2 émetteurs (une telle dérive en fréquence rendant inexactes les hypothèses de conjugaison entre symboles sur lesquelles repose le code Alamouti).

Sans dérive en fréquence, on a vu qu’on émettait successivement sur chaque antenne:

1 2

2 1

*1: ,*2 : ,

tx S S

tx S S

= −

=

Dans le cas d’une dérive en fréquence (supposée ici identique pour les 2

émetteurs, car ils sont supposés être synchronisés par une même horloge), il faut maintenant prendre en compte un déphasage entre les 2 instants

d’émission : 1ie ϕ à l’instant 1 et 2ie ϕ à l’instant 2. On émet donc successivement :

1 21 2

1 22 1

*1: . , .*2 : . , .

i itx S e S ei itx S e S e

ϕ ϕ

ϕ ϕ= −

=

Les relations de conjugaison entre les symboles successifs sont donc

rompues. On reçoit aux instants 1t et 2t :

Le démonstrateur


1 11 1 11 1 21 2

2 21 2 11 2 21 1

( ) . . . .* *( ) . . . .

i iY t H s e H s ei iY t H s e H s e

ϕ ϕ

ϕ ϕ= +

= − +

Et on obtient nos symboles (en compensant les déphasages) par :

1 211 1 1 21 1 2

1 2 211 21

* *. ( ). . ( ).i iH Y t e H Y t esH H

ϕ ϕ− +=

+

1 221 1 1 11 1 2

2 2 211 21

* *. ( ). . ( ).i iH Y t e H Y t esH H

ϕ ϕ− −=

+

Les valeurs des déphasages doivent être connus. On utilise pour les

déterminer les symboles des sous-porteuses pilotes :

11

11 1 21 2

(1, )( ) ( ) ( ) ( )

Y pip eH p S p H p S p

ϕ∀ =+

12

11 2 21 1

(2, )* *( ) ( ) ( ) ( )

Y pip eH p S p H p S p

ϕ∀ =− +

avec 1(1, )Y p et 1(2, )Y p les observations successives sur la sous-porteuse p

et 1( )S p (et 2 ( )S p ) le symbole de la sous-porteuse pilote p.

3.4. Environnement temps réel ADEOS 3.4.1. Description et généralités Les systèmes temps réel sont ceux où le facteur temps est la principale

contrainte à respecter et où ce facteur est prépondérant pour évaluer la qualité du service. Autrement dit, le système ne doit pas simplement délivrer des résultats exacts, il doit les délivrer dans des délais imposés. Les systèmes temps réel sont aujourd'hui présents dans de nombreux secteurs d'activités : dans l'industrie de production par exemple, au travers des systèmes de contrôle de procédé, dans l'industrie du transport au travers des systèmes de pilotage embarqués, ou encore dans le secteur de la nouvelle économie au travers du besoin, toujours croissant, du traitement et de l'acheminement de l'information (vidéo, données, pilotage à distance, réalité virtuelle...).



On distingue le temps réel dur et le temps réel mou suivant l'importance accordée aux contraintes temporelles. Le temps réel strict ne tolère aucun dépassement de ces contraintes, ce qui est souvent le cas lorsque de tels dépassements peuvent conduire à des situations critiques (pilote automatique d'avion par exemple). À l'inverse le temps réel souple s'accommode de dépassements des contraintes temporelles dans certaines limites au-delà desquelles le système devient inutilisable (visioconférence, jeux en réseau…).

Figure 3.3 : Tâche temps réel

Une tâche temps réel est caractérisée par un temps de réveil, une durée et

une échéance. Le temps de réveil est le temps où la tâche doit commencer son exécution et l’échéance représente le délai maximum imparti pour l’exécution de la tâche. Si l’échéance n’est pas respectée, le système perd son intégrité. Un système d’exploitation temps réel (RTOS) assure la fonctionnalité d’un système d’exploitation et également le respect des échéances temporelles pour les tâches temps réel. Les objectifs d’un RTOS sont d’une part de minimiser le retard entre le moment où la tâche doit être lancée (temps de réveil) et le moment où elle commence son exécution et, d’autre part de réduire les perturbations qui peuvent allonger sa durée d’exécution, de sorte que les échéances puissent être toujours respectées. Dans un système d’exploitation temps réel, une augmentation de la charge pénalise principalement les tâches non temps réel et pas les tâches temps réel ayant une grande priorité.

Le système d’exploitation Linux est un GPOS (General Purpose Operating System) c'est-à-dire qu’il est destiné à un usage commun. Il assure les fonctionnalités d’un système d’exploitation conforme à la norme POSIX, sans garantie de performances d’aucune sorte (best effort policy). C’est donc un système non temps réel par définition. La spécificité de Linux par rapport à d’autres systèmes d’exploitation est qu’il se décompose en un espace utilisateur (user) et un espace noyau (kernel).

L’espace utilisateur est un espace protégé où s’exécutent les programmes lancés par l’utilisateur. Dans l’espace noyau s’exécutent toutes les tâches qui communiquent avec le matériel notamment l’ordonnanceur (scheduler), les routines de gestion des interruptions, l’horloge (timer) et les pilotes (drivers). Les tâches utilisateur peuvent entrer dans l’espace noyau pour interagir avec le matériel par le biais d’appels systèmes. Une fois l’appel système terminé, elles retournent dans l’espace utilisateur.

Le démonstrateur


Figure 3.4 : Espaces noyau et utilisateur de Linux

Le noyau Linux 2.6 sorti en décembre 2003 présente de nombreuses

améliorations par rapport au noyau 2.4 en particulier au niveau de la préemption des tâches. Dans le noyau 2.4, seul l’espace utilisateur est préemptible. Une tâche de faible priorité s’exécutant dans l’espace noyau ne peut pas être préemptée par une tâche de plus forte priorité. Cette dernière doit attendre que la première retourne dans l’espace utilisateur pour prendre la main. Dans le noyau 2.6, la granularité a été améliorée : des points de préemption ont été ajoutés dans l’espace noyau. Ceci réduit considérablement le temps de latence de la tâche de plus forte priorité. Cependant les routines de gestion des interruptions et l’ordonnanceur restent non préemptibles.

Cette évolution de la préemptivité entre le noyau 2.4 et 2.6 permet d’obtenir des temps de latence compatibles avec la lecture de fichiers audio ou vidéo mais pas suffisants pour exécuter des tâches temps réel.

La gestion des interruptions sous Linux est un autre mécanisme qui fait obstruction au temps réel, d’une part parce qu’il peut créer des inversions de priorités et d’autre part parce qu’il perturbe le déterminisme du système.

A chaque périphérique qui génère des interruptions est associée une routine de gestion d’interruptions (Interrupt Service Routine). Ces routines se déclenchent automatiquement à chaque fois qu’une interruption est reçue par le noyau. Leur travail se décompose en deux parties : l’acquittement de l’interruption (top halves) et le traitement de l’interruption (bottom halves). L’acquittement de l’interruption devant être réalisé dans un délai déterminé, il doit être exécuté au plus tôt après la réception de l’interruption matérielle. Il s’opère dans un contexte spécial qui permet à la routine de prendre la main à n’importe quel moment et sans être préemptée par une autre tâche. L’exécution du traitement de l’interruption n’est lui pas critique et peut être réalisé plus tard dans un contexte tâche. Il est peut être préempté par une tâche plus prioritaire.

De ce mécanisme résulte un problème récurrent de Linux : l’inversion de priorités. Il apparaît car n’importe quelle routine de gestion d’interruptions



(même peu prioritaire dans le système) peut se déclencher à tout moment et donc interrompre l’exécution d’une tâche temps réel sous Linux.

D’autre part, le mécanisme de gestion des interruptions perturbe le déterminisme du système. Le noyau Linux ne peut pas garantir un temps de latence maximum pour le lancement d’une tâche car la gestion des interruptions s’effectue de manière asynchrone et pour une durée variable non définie. Or l’assurance d’un temps de latence maximal est une nécessité indispensable dans le cadre du temps réel. Il existe néanmoins des solutions pour transformer Linux en un système temps réel. L’extension Adeos (Adaptative Domain Environnement for Operating Systems) /DIC est l’une d’elles (http://home.gna.org/adeos/).

L’approche de l’extension temps réel Adeos /DIC réside dans la virtualisation des interruptions. Adeos / DIC se décline en deux parties, un nanokernel Adeos qui s’applique sous forme de patch à Linux et un noyau temps réel DIC qui s’insère sous forme de module dans Linux. Adeos, qui s’insère entre le matériel et Linux, gère le flot d’interruptions en provenance du matériel et permet à plusieurs noyaux de s’exécuter en parallèle. Le noyau DIC reçoit les interruptions en priorité sur Linux et peut ainsi ordonnancer des tâches temps réel sans que Linux interfère.

Tout comme pour ARTiS (Asymmetric Real Time Scheduler), les tâches temps réel sont créées depuis l’espace utilisateur de Linux et l’ajout de l’extension ne modifie pas l’ABI (Application Binary interface) de Linux. Le fait de lancer les tâches depuis l’espace utilisateur permet de bénéficier de la protection mémoire de Linux ce qui est particulièrement important dans le cadre de systèmes multiprocesseurs.

Figure 3.5 : Configuration Adeos/DIC - LINUX

3.3.2. Modes de Performance L’inconvénient rencontré dans la plupart des extensions temps réel à Linux

utilisant le principe de virtualisation des interruptions (RTLinux, RTAI) est de ne pas pouvoir faire appel aux fonctionnalités du noyau Linux. Comme décrit dans

Le démonstrateur


la section précédente, une tâche qui s’exécute dans le noyau Linux est sujette à la granularité du noyau, à la priorité de l’ordonnanceur et surtout à la gestion des interruptions qui s’effectue de manière asynchrone. Tous les appels systèmes et pilotes développés sous Linux ne peuvent pas être utilisés par les tâches temps réel.

La spécificité d’Adeos/DIC est de permettre aux tâches temps réel de faire appel à des fonctionnalités du noyau Linux tout en restant dans une optique temps réel et donc sans dépendre du problème d’inversion de priorités de Linux. Les tâches temps réel sous Adeos/DIC ont accès à deux modes de fonctionnement entre lesquels elles basculent automatiquement en fonction de leurs besoins.

Dans le mode PRIMAIRE, les tâches temps réel ont la garantie d’un temps de latence très court et ne sont perturbées par aucune des opérations de Linux. Cependant elles n’ont accès qu’aux appels systèmes de DIC.

Dans le mode SECONDAIRE, les tâches temps réel ont accès aux services de Linux. Grâce à un bouclier d’interruption qui sera décrit par la suite, elles bénéficient d’une priorité absolue sur toutes les tâches de Linux et particulièrement sur les tâches de gestion des interruptions ce qui permet de garder le déterminisme. Cependant leur temps de latence est supérieur à celui du mode PRIMAIRE car il dépend de la granularité du noyau Linux. Dans le pire cas où une tâche temps réel veut avoir accès à une ressource déjà utilisée par une tâche Linux, elle va devoir attendre que la tâche Linux atteigne le prochain point de préemption pour pouvoir prendre la main.

3.4.3. Le Nanokernel Adeos La plupart des systèmes d’exploitation comme Linux ont été conçu pour

utiliser les ressources matérielles sans restriction. Pour pouvoir insérer un ordonnanceur temps réel indépendant de Linux, il est pourtant nécessaire que le matériel soit partagé entre les noyaux Linux et DIC. Adeos (Adaptive Domain Environment for Operating Systems) fournit un environnement flexible dans lequel plusieurs systèmes d’exploitation appelés domaines peuvent partager le même matériel.

3.4.4. Insertion d’Adeos Les systèmes d’exploitation se situent par rapport au matériel à différents

niveaux de privilèges (Privilege Levels). Par exemple sur x86 (architecture des processeurs Intel du 80386 jusqu’au Pentium), le noyau Linux opère au niveau 0 et ses applications au niveau 3. A chaque niveau de privilège correspond des capacités précises. Au niveau 0, des instructions assembleur telles que « cli /sti » (disable interrupt/enable interrupt) sont permises alors qu’elles ne le sont pas aux autres niveaux. Ce système permet aux applications de ne pas perturber le fonctionnement du système d’exploitation.

Pour qu’Adeos puisse permettre à plusieurs noyaux de coexister, il doit opérer au niveau de privilège 0 et intercepter les interruptions. Le noyau Linux doit donc être poussé vers un niveau inférieur. De fait il ne pourra plus exécuter



certaines instructions assembleur. ADEOS doit donc récupérer ces instructions et les exécuter en place de Linux. Ainsi ADEOS est inséré à l’insu de Linux sans en perturber son fonctionnement.

3.4.5. Contrôle des interruptions Une fois inséré au niveau de privilège zéro, ADEOS est l’unique noyau à

avoir accès aux interruptions matérielles. Les autres noyaux, qui s’enregistrent sous forme de domaines avec une priorité propre, forment un pipeline dans lesquelles les interruptions vont se propager du domaine de plus haute priorité vers le plus faible. Lorsqu’un domaine a fini de traiter les interruptions, elles sont transmises au domaine suivant.

Lorsque l’on charge le module DIC, il s’enregistre dynamiquement au niveau d’ADEOS avec une priorité plus forte que Linux. Il reçoit donc les interruptions matérielles avant Linux ce qui permet aux tâches temps réel ordonnancées par DIC d’être prioritaires sur toutes les opérations de Linux dans le mode PRIMAIRE.

Figure 3.6 : Adeos pipeline

3.4.6. Bouclier d’interruption Le bouclier d’interruption est une spécificité d’Adeos / DIC. C’est un domaine

d’ADEOS qui est inséré entre DIC et Linux. Lorsqu’il est dynamiquement activé, il retient les interruptions matérielles destinées à Linux qui sont stockées et ne seront acheminées qu’une fois le bouclier désactivé. C’est grâce à ce bouclier que le mode SECONDAIRE de DIC peut garder une approche temps réel déterministe. Comme aucune interruption matérielle ne parvient à Linux lorsqu’une tâche temps réel s’exécute dans le mode SECONDAIRE, le système de gestion d’interruptions ne vient pas perturber la tâche.

3.4.7 DIC Le noyau DIC (Deterministic Interrupt Computing) se trouve sous la forme

d’un module du noyau Linux. Une fois lancé, il s’enregistre sous Adeos dans un domaine indépendant de Linux avec une priorité supérieure. Le DIC est le cœur de l’extension temps réel, il est constitué d’un ensemble de fonctions permettant l’ordonnancement en temps réel de tâches issues de l’espace utilisateur de Linux. Pour être considérées comme temps réel et être migrées

Le démonstrateur


dans l’ordonnanceur du DIC, les tâches doivent être déclarées avec une politique d’ordonnancement SCHED_FIFO puis faire appel à la fonction pthread_init_rt(char * nom, 0 ,0). Les tâches basculent ensuite automatiquement entre les modes PRIMAIRE et SECONDAIRE en fonction de leurs appels système.

Pour opérer les tâches temps réel depuis l’espace utilisateur, le DIC définit un thread d’abstraction appelé « real-time shadow » qui est mappé au contexte des tâches Linux. Les shadows, qui forment les éléments de bases de l’ordonnanceur temps réel, partagent la pile et les registres de la tâche qui sont crées par Linux. Les priorités des tâches temps réel sont héritées de celles des tâches originelles de Linux (comprises entre 0 et 99).

Pour permettre aux tâches temps réel de s’exécuter le plus possible en mode PRIMAIRE, le DIC implémente un certain nombre de fonctionnalités dont notamment une horloge haute résolution et des sémaphores temps réel. Le DIC substitue également certains appels système à Linux pour une meilleure précision et un meilleur déterminisme. Par exemple, les appels à la fonction nanosleep() sont pris en charge par le DIC même s’ils sont exécutés depuis Linux.

Lorsqu’une tâche entre dans le mode SECONDAIRE, le DIC active le bouclier d’interruption afin d’empêcher le service de gestion des interruptions de perturber le fonctionnement temps réel.

4. Résultats des expérimentations

4.1. Modem OFDM SISO Nous présentons ici les résultats de la tâche d’affichage du modem. Comme

il nous restait une marge de temps suffisante disponible sur le processeur 2 (environ 150 sur 1,35 ms), il a été possible d’inclure cette tâche d’affichage, avec cependant une priorité plus faible que les autres pour ne pas les perturber (rafraîchissement des fenêtres toutes les 125 ms). On y voit les démodulations des voies d’émission (dans notre cas, des constellations constituées des 200 symboles), les réponses impulsionnelles des différents canaux, un des canaux fréquentiels (émetteur 1 vers récepteur 1), ainsi que l’évolution du SNR associé à chaque émission. Le programme effectue ses calculs avec ces valeurs et le critère de synchronisation courte simplifié. Chacune des réponses impulsionnelles a une longueur de 64 échantillons. On peut remarquer que le pic principal n’est pas placé au tout début du canal, mais au milieu (ceci grâce au décalage constant appliqué à l’instant de synchronisation évoqué dans la partie Traitement du Signal et Algorithmes, dans notre cas on a choisi 32 échantillons).

Dans un premier temps, on a validé le fonctionnement du modem en SISO (et transmission par câble à 64 MHz (d’où un très bon SNR sur la figure 3.26) dans le cas d’un canal sélectif en fréquence, en introduisant un second trajet (effectué à l’aide d’un câble d’une centaine de mètre). On peut observer sur la



figure 3.26 les résultats fournis par le modem, notamment l’effet du second trajet sur la réponse impulsionnelle (le second pic) et sur la réponse fréquentielle (le canal n’est plus plat comme il doit l’être dans le cas d’un mono-trajet).

Figure 3.26 : Fenêtre d’affichage du modem en fonctionnement (SISO)

4.2. Modem OFDM MIMO 2x2 Sur la figure 3.27, on peut observer les résultats fournis par le modem

OFDM en fonctionnement 2 x 2 (MMSE, 2 voies d’émission pour 2 voies de réception), par voie hertzienne. Les deux antennes d’émission sont écartées d’environ 40 cm, de même que les antennes de réception, tandis que l’émission et la réception sont distantes de quelques mètres. Sur la figure, on peut voir que les canaux associés au deuxième émetteur sont plus forts que ceux associés au 1er (ce que l’on peut confirmer en observant les constellations). Les deux constellations obtenues sont de qualité équivalente à celle obtenues en SISO pour le même SNR.

Le démonstrateur


Figure 3.27: Fenêtre d’affichage du modem en fonctionnement (MIMO)

4.3. Sondeur de canal MIMO Sur les deux figures suivantes sont représentées sous Matlab dans le

domaine fréquentiel les différentes estimations de canaux effectuées en temps réel par le modem MIMO 2x2 (4 canaux).

Démodulation voie 1 Démodulation voie 2

canal fréquentiel

SNR (dB) des 2 voies

Réponses impulsionnelles des 4 canaux :

(tx=1,rx=1) et (tx=2,rx=1) (tx=1,rx=2) et (tx=2,rx=2)



Figure 3.28 : Estimation des canaux par le modem (non stationnaire, en laboratoire)

Sur la figure 3.28, on observe des canaux peu sélectifs en fréquence, et non

stationnaires dans le temps à cause du déplacement des antennes durant l’acquisition (durée de l’observation : environ 500 ms).

Figure 3.29 : Estimations des canaux par le modem, avec un des canaux sélectif en fréquence (en laboratoire)

T(ms) F

F

F

F

T(ms)

T(ms) T(ms)

T(ms) FF

F F T(ms)

T(ms)

T(ms)

Le démonstrateur


Sur la figure 3.29, on observe qu’un des canaux est sélectif en fréquence

(présence d’un trajet indirect). L’évolution temporelle est stationnaire (durée de l’observation : environ 5 sec).

En désactivant les fonctions de démodulation du modem (en ne conservant que la synchronisation et l’estimation de canal), il est possible de faire fonctionner le programme en tant que sondeur de canal temps réel MIMO 2 x 4.

Figure 3.30 : Estimation des canaux en MIMO 2x4 (en laboratoire)

Sur les figures 3.31 à 3.33, on peut observer les mesures de canal effectuées par notre sondeur lors d’expérimentations faites à Lille, en mobilité (voir la description dans la partie essais du modem en conditions réelles). Ces résultats mettent tout d’abord en évidence l’aspect sélectif en fréquence des canaux de propagation, qui témoigne de l’importance des phénomènes de multi-trajets que l’on peut rencontrer en milieu urbain. Ainsi on peut constater sur la figure 3.31 de fortes chutes de puissance du canal à certaines fréquences. Par ailleurs (figure 3.32), on voit une évolution temporelle rapide de nos estimées, due aux conditions de mobilité (environ 40 km/h).



Figure 3.31 : Canaux estimés à Lille à un instant donné

Largeur de bande de 10 MHZ

Sous porteuses du signal OFDM

Largeur de bande de 10 MHZ

Sous porteuses du signal OFDM

Figure 3.32 : Exemple 1 d’évolution des canaux estimés au cours du temps

F

Le démonstrateur


Figure 3.33 : Exemple 2 d’évolution des canaux au cours du temps

A partir des campagnes de mesures du canal de propagation réalisée à Lille, nous avons extrait l’information de corrélation du canal à l’émission et à la réception pour un système MIMO à 2 antennes d’émission et 4 de réception. Les matrices de corrélation moyenne obtenues sont présentées sur la figure 3.34 :

Figure 3.34 : Corrélation moyenne du canal à l’émission et à la réception pour des mesures réalisées à partir du beffroi de Lille



Les résultats obtenus sont cohérents avec le schéma de transmission. En effet la partie émission se trouve le plus souvent dans des canyons urbains et donc dans un milieu riche en diffuseur. La corrélation spatiale est donc réduite. A l’inverse, le récepteur et placé sur un point haut, l’environnement de propagation est alors pauvre en diffuseur local ce qui induit une forte corréaltion spatiale.

4.4. Taux d’erreurs binaires (TEB) Sur les figures 3.35 et 3.36, on peut comparer les performances du modem

SISO à celles du SIMO avec 3 antennes de réception. Sur la figure 3.35, le TEB y est représenté en fonction du SNR calculé par le

modem SISO sur le signal reçu, et également en fonction du SNR calculé sur la constellation (erreur quadratique moyenne par rapport aux quatre états de la QPSK). Ces résultats ont été obtenus avec la version modifiée du modem n’utilisant que le codeur convolutif (ce qui nous permet d’alléger les traitements et de respecter les contraintes de temps réel dans le cas du modem SIMO).

Sur la figure 3.36, on observe que le passage de la configuration SISO à la configuration SIMO à 3 antennes de réception nous apporte en pratique un gain de plus de 3 dB pour un taux d’erreurs binaires de 10-6. Ces mesures ont été effectuées dans des canaux non sélectifs en fréquence (câbles).

Figure 3.35 : Performances du modem SISO

Le démonstrateur


Figure 3.36 : Performances du modem avec codage CC seul, en SISO et SIMO ( rx = 3 )

4.5. Tests en conditions réelles

Des essais ont pu être réalisés à Colombes et à Lille en camion laboratoire, ainsi qu’une démonstration publique dans un bus Transpole. Pour cela, nous avons cherché à nous positionner d’une manière réaliste par rapport à l’application envisagée. La chaîne est destinée à une communication sans fil entre un bus et un centre de contrôle déporté. La station de réception devait donc être située en altitude afin d’offrir la plus grande surface de couverture. Le récepteur a ainsi été placé au sommet du beffroi de Lille (86 m) dans un local radio amateur auquel nous avions accès. A l’émission, le véhicule a été équipé avec notre modem (PC, générateurs, amplificateurs de puissance) et avec le matériel nécessaire à la détection d’événements (PC+micro) et à la capture video (webcam) (ce dernier fournissant au modem les images à émettre, via un câble ethernet et un flux UDP). Dans le contexte du projet EVAS, les images à transmettre concernent d’éventuels incidents se produisant dans l’enceinte du bus. A cet effet, il a été développé à l’INRETS (cf chapitre 1) une architecture



de détection de tels incidents (en l’occurrence, pour notre démonstration, détection du son de bombes aérosols pour lutter contre les ‘tag’).

Les expérimentations ont été réalisées le long d’une ligne de bus de la compagnie Transpole de Lille, en conditions réelles de circulation urbaine (entre 0 et 50 km/h), dans un rayon de 2 km autour du beffroi. Trois versions du modem ont été testées : SISO, SIMO (3 antennes de réception), et MIMO Alamouti (2 antennes d’émission et 2 antennes de réception). Ces essais nous ont permis d’observer l’apport du MIMO dans la robustesse de la liaison mais des pertes de synchronisation intempestives demandent un travail d’optimisation supplémentaire des algorithmes. Notamment, les problèmes apparaissent principalement en mobilité, ce qui semble être lié à la non-stationnarité des canaux à l’échelle des trames OFDM dans ces conditions. Ces pertes de synchronisation se caractérisent aux niveaux de la chaîne par une mauvaise estimation des paramètres et une chute brutale du rapport signal sur bruit comme illustré sur la figure 3.37.

Néanmoins, la chaîne développée dans le projet EVAS a permis d’exhiber lors de la démonstration finale des résultats suffisamment convaincants, notamment en ligne de vue et à l’arrêt, à travers la capture temps réel des images prises à l’intérieur du bus Transpole et à leur restitution en haut du Beffroi. Le photogramme 3.38 illustre les essais et la démonstration réalisée.

Figure 3.37 : Chute du SNR suite à une perte de synchronisation

Le démonstrateur


Figure 3.38 : Les essais et la démonstration

Antennes de réception et A86 (Colombes)

Affichage de la vidéo de test

(Colombes)

le Beffroi (Lille)

Antennes de réception (Lille)

Architecture de réception (Lille)

Affichage de la video (Lille)



Le bus Transpole (Lille)

Architecture d’émission (Lille)

Webcam + architecture de détection d’événement (Lille)

Démonstration (Lille)

Démonstration (Lille)

4.6 Analyse de la propagation pour un déploiement Nous présentons ici les travaux réalisés en collaboration avec GIGACOMM

visant à étudier le déploiement possible d’un tel système pour les lignes de BUS de Transpole.

4.6.1. Outil de simulation

Le démonstrateur


L'étude a été réalisée à partir d'un plan 2D de la ville avec reconstruction 3D réalisée à l'aide de l'IHM d’un logiciel de tracé de rayons développé par P. Mariage de GIGACOMM, logiciel SimuEM (www.gigacomm.fr). Les hauteurs de bâtiments ont été déduites des observations réalisées sur les parcours lors de la campagne de mesure. La figure 3.39 représente sur des vues 2D et 3D le modèle numérique de la ville de Lille reconstruit.

Figure 3.39 : Visualisation du modèle numérique 2D-3D de terrain, en mode filaire et en trait plein et d'une vue satellite (google-earth).



Le logiciel SimuEM 3D prend en compte directement la structure

tridimensionnelle des bâtiments constituant l'environnement de l'autobus à partir duquel seront transmises les informations audio et vidéo. Ce logiciel simule la propagation des ondes radioélectriques à très haute fréquence sous la forme de rayons directs, réfléchis et transmis en fonction de la nature, la forme et la position des bâtiments. Afin d'être le plus précis possible, une phase de calibrage a été réalisée.

4.6.2. Exemples de mesures sur quelques trajets spécifiques Les données collectées au cours de la campagne de mesure de mai 2006

sont consignées dans [Mariage 2006]. Nous donnons dans la figure 3.40 quelques exemples de mesures.

Figure 3.40 : exemples de mesures sur plusieurs trajets

-120

-100

-80

-60

-40

-20

0

0 5000 10000 15000 20000 25000 30000

Distance (m)

Am

plitu

de d

u si

gnal

(dBm

)P

uiss

ance

du

sign

al (d

Bm

)

-120

-100

-80

-60

-40

-20

0

0 5000 10000 15000 20000 25000 30000

Distance (m)

Am

plitu

de d

u si

gnal

(dBm

)P

uiss

ance

du

sign

al (d

Bm

)

Le démonstrateur


-120.0

-100.0

-80.0

-60.0

-40.0

-20.0

0.0

0 5000 10000 15000 20000 25000 30000

Distance (m)

Ampl

itude

du

sign

al (d

Bm

)Pu

issa

nce

du s

igna

l (dB

m)

-120.0

-100.0

-80.0

-60.0

-40.0

-20.0

0.0

0 5000 10000 15000 20000 25000 30000

Distance (m)

Ampl

itude

du

sign

al (d

Bm

)Pu

issa

nce

du s

igna

l (dB

m)

Le calibrage a été réalisé à l'aide des données collectées durant le parcours N°4 réalisé le long de la rue Nationale entre la Grand Place de Lille et le square du maréchal Leclercq, sur une distance de 1.62 km. L'émetteur était situé à 50m de hauteur sur le beffroi de Lille avec une fréquence porteuse de 2,7 GHz. Le niveau du signal a été enregistré en CW avec un nombre d'échantillons égal à 40 000, soit 1 échantillon tous les 4 cm (1/3 de longueur d'onde). L'analyse de ces données a été réalisée sur les 30 000 premiers échantillons, ce qui correspond à la capacité maximale de représentation graphique du tableur Excel.

La figure 3.41 représente l'évolution de la puissance mesurée (courbe rose) et simulée (courbe bleue) du signal en dBm en fonction de la distance sur 1km environ. La figure 3.42 représente l'histogramme de l'erreur entre les deux courbes, la moyenne de l'erreur étant égale à 0.56 et l'écart-type à 11 dB pour un environnement dense urbain.



Figure 3.41 :Comparaison Mesures-Simulations (modèle non calibré)

Puis

sanc

e du

sig

nal (

dBm

)Pu

issa

nce

du s

igna

l (dB

m)

Figure 3.42 : Histogramme de l'erreur Mesures-Simulations (Ecart-type de l'erreur pour le modèle non calibré : 11dB)

La procédure de calibrage d'un modèle utilisant la théorie des rayons s'effectue en modifiant de manière adéquate la nature des matériaux constituant certains des obstacles (ici des ensembles d'immeubles accolés). Il est nécessaire d'effectuer au préalable une analyse fine de l'influence des différents ensembles d'immeubles sur le signal tout au long du parcours de mesure. En plus des matériaux et compte tenu de l'imprécision de la base de données géographique 3D utilisée, les hauteurs des immeubles ont également été modifiées lors de la phase de calibrage. Ces hauteurs évoluent entre 10 m et 25 m (tour de 7 étages).

Les figures 3.43 et 3.44 représentent le résultat de la comparaison entre le modèle calibré et les mesures et l'histogramme de l'erreur entre les deux courbes. Après l'opération de calibrage, la moyenne de l'erreur est égale à -0,47 dB (modèle légèrement optimiste) et l'écart-type a été réduit à 8,8 dB, ce

Le démonstrateur


qui acceptable compte-tenu de l'imprécision du modèle numérique de terrain, de l'imprécision sur le positionnement de la mesure (arrêts aux carrefours) et de l'absence de prise en compte de la diffraction par les arêtes des bâtiments. Le phénomène de diffraction a été approximé par un phénomène de transmission équivalent.

Figure 3.43 : Comparaison Mesures-Simulations (modèle calibré)

Puis

sanc

e du

sig

nal (

dBm

)Pu

issa

nce

du s

igna

l (dB

m)

Figure 3.44 : Histogramme de l'erreur Mesures-Simulations (Ecart-type de

l'erreur pour le modèle non calibré : 8.8dB)

A titre indicatif, un écart-type de 8.8dB associé à un facteur de propagation en ville de 3.5. Ceci entraîne l'introduction dans le bilan de liaison d'une marge



log-normale (prise en compte du phénomène de slow fading) de 8dB pour un taux de probabilité de couverture sur la surface d'une cellule égal à 93%.

4.6.3. Calcul de la couverture radioélectrique du centre ville de Lille Le calcul de la couverture radioélectrique d'un système numérique nécessite

habituellement l'établissement d'un bilan de liaison afin de déterminer le seuil d'amplitude que doit atteindre le signal afin de garantir une transmission avec un taux d'erreur de bit acceptable pour garantir une qualité de service donnée. Dans le présent projet, ce niveau de seuil ne peut pas être défini précisément car le système d'émission-réception n'est pas défini par une norme. A titre indicatif, le niveau de seuil que nous avons retenu dans la suite de ce paragraphe a été défini sur la base d'éléments fournis par le standard IEEE 802.11e (WIMAX mobile).

Les cartes de couverture fournissent un niveau de signal relatif qu'il conviendra d'ajuster en fonction de la puissance d'émission et de la sensibilité de réception au débit envisagé du système lorsque ces paramètres auront été définitivement arrêtés. Sur les cartes représentées ci-dessous, on estime que le seuil de bon fonctionnement est atteint dans les zones coloriées en rouge. Ces cartographies ont été calculée en considérant des antennes de station de base de type dipôle vertical (omnidirectionnel, Gain= 1.76 dBi). Ces antennes sont situées à une hauteur de 30 m et la fréquence porteuse est égale à 3.5 GHz, dans la bande de fréquence attribuée par l'Europe sous la forme de licence wimax.

Figure 3.45 : Couverture radioélectrique du site N°1

Site 1

Le démonstrateur




Site 3

Site 2



Figure 3.48 : Couverture radioélectrique globale des 3 sites réunis.

Dans la suite de cette étude, des couvertures radioélectriques obtenues à l'aide de sites tri-sectoriels et d'antennes directives pourraient être étudiées. Les seuils seront définis par un bilan de liaison plus précis basé sur les résultats des expérimentations système.

Cette première phase des travaux visant à caractériser le canal de propagation radioélectrique a consisté en une analyse des données disponibles en matière de modèle numérique de terrain et de résultats expérimentaux. Le traitement de ces données a permis de calibrer le modèle de prédiction radio basé sur la théorie des rayons de l'optique géométrique.

Une perspective de cette étude consiste à exploiter ce modèle pour étudier des scénarios de déploiement en intégrant les données nécessaires à l'établissement d'un bilan de liaison. Un modèle spécifique de simulation de la propagation dans une rue encaissée (canyon) prenant en compte les phénomènes de diffraction pourra être utilisé afin de fournir des informations plus précises sur la réponse spatio-temporelle et fréquentielle du canal de propagation MIMO et des modèles tels que ceux présentés dans le deuxième chapitre pourront être générés.

Le démonstrateur


4.7. Conclusion Le modem OFDM développé offre en termes de débit et de TEB des

résultats compatibles avec ceux que l’on attendait. L’apport du MIMO garantit une amélioration de la robustesse de la transmission radio, notamment dans le contexte d’une zone urbaine comme c’est le cas pour le projet EVAS. Cependant, en conditions réelles d’utilisation en milieu urbain avec mobilité, il semblerait que les algorithmes de synchronisation utilisés ne soient pas optimaux (mais ils ont permis de réaliser relativement rapidement la chaîne) et l’exploration de nouveaux algorithmes semble une voie de recherche nécessaire. La recherche de structures de préambules facilitant la synchronisation ou l’estimation de canal peut également être bénéfique. Par ailleurs, il paraît nécessaire d’approfondir les éventuels problèmes de correction de phase liés à l’effet Doppler, dont on soupçonne l’influence dans les résultats. Il est également envisageable d’exploiter la diversité de polarisation afin de consolider le lien radio ou des techniques de précodage.

Enfin, les dernières perspectives correspondent à une évolution du système présenté, qui pour l’instant se réduit à une liaison point à point, vers un système multi-utilisateurs (bus). L’accès de ces utilisateurs pourrait se faire classiquement par des techniques de multiplexage en temps (TDMA) ou en fréquence (FDMA). Il faudrait alors compléter la chaîne par une couche MAC simplifiée. Il serait également intéressant d’étudier de nouvelles méthodes afin d’augmenter la robustesse du lien. Notamment, l’utilisation de techniques de relayage formant des réseaux MIMO virtuels semble être une solution prometteuse.


Conclusion Générale

Une des priorités des opérateurs de transports publics concerne l’amélioration du sentiment de sécurité des passagers et des personnels, et la maintenance des matériels roulants. Ainsi, la vidéo surveillance s'est imposée comme un outil incontournable dans les stations et les gares des grands réseaux. Les exploitants envisagent aujourd’hui l’installation de systèmes de surveillance embarqués. Pour ces systèmes, l’utilisation de l’audio conjointement à la vidéo est apparue comme une solution tout à fait pertinente. Un des points clef de ces systèmes de surveillance embarqués réside donc dans la nécessité de transmettre périodiquement, à la demande ou en cas d'alarmes, les informations issues des capteurs audio et vidéo. Pour ce faire il convient de disposer d’un système de reconnaissance automatique d’événements et d'un lien de transmission sans fil capable de supporter des débits importants et d'offrir une qualité de service ne dégradant pas l'information transmise. Le projet EVAS a donc étudié la manière de répondre à ces deux problématiques et propose aujourd’hui deux solutions préliminaires. Nous avons donc contribué à répondre à la demande des exploitants pour des systèmes embarqués en étudiant un système d’aide à la vidéo et à l’audio surveillance sans fils dit «intelligent» à embarquer dans les autobus de TRANSPOLE de l’Agglomération Lilloise.

Les travaux réalisés sur la partie « audio » sont décrits dans le premier

chapitre. Ils se sont focalisés sur la détection automatique des événements de type « cris » (acte d’agression, acte de dérangement) et de type « aérosol de peinture» (graffiti) qui rejoignent les priorités annoncées par les exploitants. Le système proposé est fondé sur des techniques de classification supervisée très bien décrites dans la littérature et éprouvées dans de nombreux domaines d’application tels que l’analyse de la parole et l’indexation. Deux stratégies de modélisation ont été testées. La première, dite génératrice, est fondée sur une modélisation par mélange de lois normales. La seconde, dite discriminante, est une technique à noyau de type «Support Vector Machine». Nous avons ensuite comparé les performances obtenues avec l’une et l’autre des méthodes. Nous avons proposé et comparé ces deux méthodes de classification dans le but de détecter des cris dans un véhicule de transport public. Nous avons montré que la méthode SVM est celle qui génère le moins de fausses alarmes tandis que la méthode MMG permet d'obtenir un meilleur taux d'identification. Dans le cadre d'une application à la surveillance, le point le plus important est de ne pas générer trop de fausses alarmes. Le fait de ne pas détecter quelques cris n'est pas très important si nous arrivons à en détecter un nombre suffisant de manière à déclencher l'alarme au bon moment. Ainsi, un compromis doit être fait afin de choisir la méthode de classification. Les paramètres PLP associés à



la classification par SVM est le meilleur choix technique pour l’application envisagée dans EVAS.

Le deuxième chapitre de ce rapport, présente de façon détaillée l’ensemble

des travaux réalisés pour la mise en œuvre d’un lien sans fil haut débit robuste entre un autobus et le poste de contrôle.

Dans une première partie nous avons décrit les principaux projets connus qui s'intéressent à la transmission d'informations audio et vidéo depuis des autobus ou des trains. Nous avons ensuite rappelé les caractéristiques des systèmes MIMO exploitant plusieurs antennes à l'émission et à la réception et un état des recherches sur ce sujet permet de situer nos travaux. Les grandes lignes des couches physiques des standards IEEE 802.20 et de la famille WIMAX sont décrites puisqu'ils semblent les plus adaptés à la problématique du projet. Leurs avantages et inconvénients dans le contexte traité sont soulignés. Le souci d'implémenter une solution aussi proche que possible d'un standard tout en préservant un bon compromis complexité/efficacité a guidé notre choix vers le standard WIMAX 802.16d et plus particulièrement sa couche physique OFDM sur laquelle s'appuient les chaînes de transmissions proposées tout en regardant également le standard 802.16e qui tient compte de la mobilité.

Les caractéristiques principales des canaux de propagation MIMO et les principales méthodes de modélisation sont ensuite décrites. Nous nous sommes focalisés sur les modèles analytiques qui exploitent des propriétés statistiques du canal : la corrélation ou certains paramètres de propagation. L'influence de la corrélation spatiale dans un canal MIMO nous a conduits à considérer les modèles de Kronecker et de Weichselberger. Une campagne de mesures de canaux de propagation spécifiques a été réalisée. Trois canaux ont été étudiés : un canal suburbain avec peu de réflecteurs, sans trajet direct et exploitant la diversité spatiale (canal SU-S), un canal de type couloir en ligne de vue et avec diversité spatiale (canal C-S), le troisième correspondant au même environnement que le second mais exploitant la diversité de polarisation en plus de la diversité spatiale (canal C-S+P). Les canaux sont modélisés à l’aide des modèles de Kronecker et de Weichselberger et sont comparés en analysant la capacité des modèles obtenus et la distribution de l'enveloppe des coefficients du canal. Les résultats des deux modèles sont très proches. Cependant nous avons retenu le modèle de Weichselberger car il permet de traduire les interactions entre l'émission et la réception. En l'absence de modèle approprié pour traduire la polarisation, nous utiliserons directement le canal mesuré C-S+P dans les simulations.

La dernière partie du deuxième chapitre est consacrée à la description des chaînes de transmission et à leur évaluation par des simulations. Deux chaînes MIMO à deux antennes d'émission et quatre antennes de réception sont considérées. Les modules d'émission sont semblables et s'appuient sur la couche physique OFDM du WiMAX. Deux stratégies différentes sont testées en réception sans modification de la partie émission : un récepteur classique et un

Conclusion Générale


récepteur itératif. Les principaux algorithmes utilisés sont décrits. Les deux récepteurs sont évalués en simulations lorsque le canal est connu à la réception. Le turbo récepteur présente toujours de meilleures performances. Après une étude préalable des estimateurs de canaux de type maximum de vraisemblance (ML), maximum a posteriori (MAP), moindres carrés (LS) et minimisation linéaire de l'erreur quadratique moyenne (LMMSE) dans un canal de Rayleigh et sans information a priori sur le canal en réception, nous retenons deux estimateurs possible: le LMMSE et le ML. L'impact de l'introduction de l'étage d'estimation du canal dans les différentes chaînes a été analysé. Les résultats montrent que l'estimateur ML est plus performant et est moins sensible à la présence de corrélation dans le canal de transmission. Cet estimateur est donc retenu pour la chaîne finale. La chaîne de transmission a ensuite été évaluée dans les différents canaux de transmission disponibles. Une dégradation des performances avec l'augmentation de la corrélation est observée. Le turbo récepteur est moins sensible à la présence d'un trajet direct qu'à la corrélation. Enfin, l'utilisation de la diversité de polarisation permet d'améliorer sensiblement les performances du système.

Le dernier chapitre de ce rapport présente le démonstrateur réalisé à Lille

avec un autobus Transpole. Le détail de l’architecture du système mis en œuvre ainsi qu’une description des composants utilisés sont donnés. Pour le démonstrateur du projet, nous avons développé une chaîne à 2 antennes d'émission - 4 antennes de réception qui comporte uniquement les parties RF du système de transmission. La génération des signaux et le traitement en réception sont effectués de façon logicielle sur des PC dédiés. Les logiciels de traitement ont été développés en langage C sous Linux à partir de ceux implémentés en simulation. Le modem OFDM développé offre en termes de débit et de TEB des résultats compatibles avec ceux que l’on attendait. L’apport du MIMO garantit une amélioration de la robustesse de la transmission radio, notamment dans le contexte d’une zone urbaine comme c’est le cas pour le projet EVAS. Cependant, en conditions réelles d’utilisation en milieu urbain avec mobilité, il semblerait que les algorithmes de synchronisation utilisés ne soient pas optimaux (mais ils ont permis de réaliser relativement rapidement la chaîne) et l’exploration de nouveaux algorithmes semble une voie de recherche nécessaire. La recherche de structures de préambules facilitant la synchronisation ou l’estimation de canal peut également être bénéfique. Par ailleurs, il paraît nécessaire d’approfondir les éventuels problèmes de correction de phase liés à l’effet Doppler, dont on soupçonne l’influence dans les résultats. Il est également envisageable d’exploiter la diversité de polarisation afin de consolider le lien radio ou des techniques de précodage.

Enfin, les dernières perspectives correspondent à une évolution du système présenté, qui pour l’instant se réduit à une liaison point à point, vers un système multi-utilisateurs (bus). L’accès de ces utilisateurs pourrait se faire classiquement par des techniques de multiplexage en temps (TDMA) ou en fréquence (FDMA). Il faudrait alors compléter la chaîne par une couche MAC simplifiée. Il serait également intéressant d’étudier de nouvelles méthodes afin



d’augmenter la robustesse du lien. Notamment, l’utilisation de techniques de relayage formant des réseaux MIMO virtuels semble être une solution prometteuse.

Une partie de ces recherches se poursuit aujourd’hui dans le cadre d’un projet de plus grande ampleur, le projet BOSS du cluster CELTIC du programme EU EUREKA.


ANNEXES

Les algorithmes VQ La quantification vectorielle consiste à extraire un « dictionnaire » de

« prototypes » (ensemble des centroïdes) d'un grand ensemble représentatif de données. Le dictionnaire doit respecter le mieux possible leur répartition dans l'espace. La première version de l'algorithme de construction du dictionnaire pour la quantification est connue sous le nom de Lloyd [9] et fut utilisée pour la quantification scalaire. Cet algorithme a ensuite été généralisé pour la classification automatique et la reconnaissance des formes sous le nom d'algorithme des « K-means » ou méthode des « nuées dynamiques »[4].

Les k-mans

Soit )( ny , Nn ≤≤0 , un nuage de points (observations) de mℜ . Soient

d la distance euclidienne de l’espace et K la taille du dictionnaire supposée fixée. La méthode procède de la manière suivante :

1. Initialisation

Soit un dictionnaire 0D de taille K .

2. Construction de la partition

A la tième itération, le dictionnaire est noté :

{ }Kitit DD

,..,1, ==

La partition qui minimise l'erreur de quantification associée à tD est composée des classes :

{ }ijDydyC tjnnti ≠= ),,(/ ,,

L'erreur de quantification vaut :

∑= =

⎥⎦⎤

⎢⎣⎡=

N

ntin

K

it yd

NDis

1,

1),(1 min μ

où ti,μ est le centroïde de tiC , .

3. Test d'arrêt



Si ε<−−

t

tt

DisDisDis 1 alors l'algorithme est terminé.

Le dictionnaire recherché est alors 1+tD composé des nouveaux centroïdes,

soit titiD ,1, μ=+

Sinon 1+= tt et l'algorithme est repris à l'étape 2.

Puisque cet algorithme n'est que localement optimal, le choix du dictionnaire

de départ est important. Une variante très utilisée de l'algorithme de Lloyd est l'algorithme LBG [8] : il procède hiérarchiquement et réalise une sorte d'initialisation itérative au cours de la construction.

Algorithme LBG (Linde, Buzo, Gray) Le but est de construire un dictionnaire de taille K , où pK 2= .

1. Initialisation Le centre de gravité de l'ensemble d'apprentissage est calculé. Soit 0d ce vecteur. Le dictionnaire est constitué de 0d , 0=p .

{ }00 dD = , pD 20 =

2. Eclatement “Splitting” Tous les éléments d en nombre k2 du dictionnaire sont « éclatés » en deux vecteurs. Ceci se fait par exemple en transformant chaque d en ε+d et

ε−d , où ε est un vecteur aléatoire de variance adaptée aux points du nuage associés à d .

3. Convergence L'algorithme de Lloyd (cf. section précédente) est appliqué sur le dictionnaire des 12 +k éléments ainsi constitué. Après convergence un dictionnaire optimal de 12 +k éléments est obtenu.

4. Arrêt 1+= kk

Si 0kk > fixé à l'avance, alors l'algorithme prend fin, sinon le processus est itéré (étape 2). Le test d'arrêt peut se faire aussi par rapport à un seuil minimal sur la distorsion des données d'apprentissage par rapport au dictionnaire, comme dans le cas de l'algorithme de Lloyd.

Annexe


L algorithme EM Petit Rappel

L’expression de la vraisemblance d’une observation y de l’ensemble d’apprentissage, supposée la réalisation d’un modèle de mélanges de lois gaussiennes, est donnée par :

( )∑=

ΣN

kkkk yN

1

,,μν

avec :

( )( )

( ) ( )⎥⎦⎤

⎢⎣⎡ −Σ−− −

Σ=Σ

kkt

k yy

kdkkyN

μμ

πμ

1

21

2/12/exp

21,,

et N le nombre de composantes du mélange,

kν le poids de chaque composante,

kμ la moyenne de chaque composante,

kΣ la matrice de covariance associée. L’algorithme EM est basé sur la vraisemblance de chaque vecteur observé par rapport à chaque composante gaussienne du modèle.

Algorithme de base

1. Initialisation (t=0) - Initialisation des moyennes kμ par N points extraits aléatoirement de

l'ensemble des observations Y , { }NyyY ,...,1=

- Initialisation de toutes les matrices de covariance kΣ à la matrice unité pI .

- Initialisation équiprobable des poids des composantes : Nk /1=ν . OU - Utilisation de l'algorithme VQ (Quantification Vectorielle) présenté

précédemment pour l'initialisation.

2. Itération (t) Pour tout Nk ,...,1= - Phase d’estimation



Calcul de la probabilité nkP que le vecteur ny soit généré par la loi gaussienne

k : ( )

( )∑=

Σ

Σ= K

kkkk

kknknk

yN

yNP

1'''' ,,

,,

μ

μν

- Phase de maximisation Réestimation des paramètres à partir des probabilités nkP :

∑=

=N

nnkk P

N 1

1ν

∑

∑

=

== N

nnk

N

nnnk

k

P

yP

1

1μ

( )( )

∑

∑

=

=

−−=Σ N

nnk

N

n

t

knknnk

k

P

yyP

1

1μμ

- Incrémentation de t à t+1 et retour à la phase d’estimation.

3. Arrêt de l’algorithme Calcul de la vraisemblance des observations ( )ny . Si la variation de la vraissemblance est inférieure à seuil alors l’estimation est terminée. Sinon l’estimation est reprise à l’étape 2.

Annexe


Dépôt légal le

Documents

Étude d’un système de Vidéo et d’Audio Surveillance sans fil