En décembre, 5 soutenances de thèses sont programmées à l'ENSTA Bretagne dans le domaine des sciences et technologies de l'information et de la communication. Elles se dérouleront en visio-conférence.
Lundi 7 décembre à 9h00 : Soutenance de thèse de Ghattas AKKAD (Lab-STICC / ENSTA Bretagne)
"A reduced complexity Parallel Least Mean Square Algorithm for Adaptive Beamforming"
Résumé : Pour améliorer l’efficacité du spectre, la formation adaptative de faisceaux devient une caractéristique inévitable pour les antennes intelligentes. Les systèmes embarqués de communication sans fil imposent des contraintes difficiles liées à l’implémentation en parallèle et en pipeline avec des ressources limitées. Certaines variantes des algorithmes accélèrent la convergence tout en maintenant une faible erreur résiduelle. D’autres présentent des architectures de pipeline parallèle. Donc, les algorithmes actuels profitent d’une convergence améliorée, au prix d’une augmentation de la complexité, ou bien une architecture matérielle de pipeline sans aucune amélioration significative. Pour présenter une solution unifiée, nous proposons un algorithme en deux étapes, appelée structure parallèle des moindres carrés moyens (pLMS). Une conception de pLMS à complexité réduite (RCpLMS) a été aussi développée. Afin de concevoir une architecture matérielle en pipeline, nous avons appliqué la technique de relaxation de de somme en retard (DRC-pLMS). Une étude des performances sur différents plateformes et architectures a été menée. Les simulations démontrent les performances exceptionnelles du RC-pLMS. DRC-pLMS fonctionne à une fréquence maximale de 208,33 MHz avec une légère augmentation des ressources par rapport à LMS.
7/12 à 9h30 : Soutenance de thèse d'Antoine D'ACREMONT, (Lab-STICC / ENSTA Bretagne)
"Réseaux de neurones profonds pour la classification d’objets en imagerie infrarouge : apports de l’apprentissage à partir de données synthétiques et de la détection d’anomalies"
Résumé : Les performances des technique d’apprentissage profond et plus particulièrement les réseaux de neurones convolutifs, ou CNN, sont conditionnés par la taille et la qualité des bases de données entrainement. Dans un contexte comme celui de l’identification de véhicules militaires dans des images infrarouges, il est difficile de constituer de telles bases d’apprentissage. Pour y remédier, il est possible d’utiliser la simulation pour générer ces ensembles de données. Cependant, les architectures issues de l’état de l’art généralisent mal sur des données réelles après un entrainement sur données simulées. Dans cette thèse, nous proposons un réseau convolutif spécifique, appelée cfCNN, qui permet d’obtenir de meilleures performances que les modèles de l’état de l’art que nous avons testé. Nous supposons que les images qui lui seront présentées seront issues d’un module de détection qui peut être imparfaite.
Nous évaluons donc la robustesse du cfCNN face à des translations et des changements d’échelle de la cible dans l’image d’entrée.
Face à ces perturbations, le cfCNN montre une meilleure robustesse par rapport à des réseaux convolutifs issus de l’état de l’art.
Pour améliorer la confiance dans les prédictions du cfCNN, nous proposons un module de détection d’anomalies de classification, basé sur le Local Outlier Factor. Cette approche montre de bonnes performances sur des données d’entrainement et de test homogènes.
Cependant elle est moins performante pour un problème de transfert entre des données simulées et réelles. Pour compenser cette baisse de performance nous proposons alors un schéma en cascade qui exploite les informations issues de différentes couches du cfCNN.
Mercredi 9 décembre à 10h : Soutenance de thèse de Valentin BESNARD.
Thèse réalisée en collaboration avec l'ESEO, l'ENSTA Bretagne, le Lab-STICC et le département de R&D de Davidson Consulting.
"EMI: Une approche pour unifier l’analyse et l’exécution embarquée à l’aide d’un interpréteur de modèles pilotable"
Résumé : La complexité croissante des systèmes embarqués les expose à davantage de bogues logiciels, d’erreurs de conception et de failles de sécurité. Les besoins en vérification et en validation sont donc de plus en plus importants. Pour exécuter et analyser des modèles de ces systèmes, des transformations sont généralement nécessaires pour obtenir (i) le code exécutable pouvant être déployé sur une cible embarquée et (ii) des modèles d’analyse permettant d’appliquer des techniques de vérification formelle (p. ex. de model-checking). Cependant, ces transformations typiquement non-prouvées sont à l’origine de fossés sémantiques et nécessitent d’établir une relation d’équivalence entre le code exécutable et les modèles d’analyse afin de garantir que ce qui est exécuté est bien ce qui a été vérifié. Pour unifier les activités d’analyse et l’exécution embarquée de modèles, l’approche EMI repose sur un interpréteur de modèles pilotable permettant d’utiliser un unique couple (modèle + sémantique) pour toutes les activités de développement logiciel. Pour évaluer cette approche, un interpréteur de modèles UML a été conçu et appliqué à différents cas d’études de systèmes embarqués afin de mettre en œuvre diverses activités d’analyse (p. ex. simulation, animation, débogage, model-checking, monitoring).
Mardi 15 décembre à 14h : Soutenance de thèse de Ngoc-Tan TRUONG (Lab-STICC / ENSTA Bretagne)
"Hybridation multi-sources pour améliorer les fonctions de détection, pistage, localisation et positionnement dans les environnements difficiles"
Résumé : Les services liés aux systèmes de positionnement GNSS se sont beaucoup développés sur les dix dernières années et ne cessent de gagner en popularité et en efficacité. D’autres services se sont déployés dans différents domaines et secteurs d’activité, pour les applications maritimes, on estime qu’environ 87% de la marine marchande utilise déjà le système mondial satellitaire pour la navigation et le positionnement. Aujourd’hui, avec la venue des nouveaux systèmes Galileo et Beidou ainsi que la modernisation des systèmes GPS et GLONASS, de nouveaux satellites ainsi que de nombreuses nouvelles fréquences et de nouveaux signaux ouvrent la porte à d’innombrables nouvelles applications. Actuellement, certaines applications requirent une meilleure précision et exploitation des systèmes de navigation, surtout dans des environnements
difficiles. En effet, de nombreux facteurs affectent les performances finales d’un récepteur GNSS. Certains d’entre eux sont liés à la qualité inhérente du récepteur et de son antenne (sensibilité, qualité du traitement du signal, résistance aux interférences et au brouillage, …etc.), tandis que d’autres sont liés aux couches atmosphériques que les signaux traversent et enfin certains sont liés à l’environnement de réception du récepteur. Les sources d’interférence dans l’environnement de réception (masque, multi-trajets, diffraction, … etc.), y compris la dynamique des objets mobiles, ont des effets importants sur les performances du récepteur.
C’est dans ce contexte que s’intègre l’ensemble des travaux réalisés.
Ainsi, le travail mené dans le cadre de cette thèse vise à développer de nouveaux algorithmes avec l’hybridation multi-sources pour améliorer les fonctions de détection, pistage, localisation et positionnement dans des environnements difficiles. L’utilisation de signaux multiples présente des avantages aussi bien des inconvénients, car ils peuvent contenir des signaux de mauvaise qualité qui ont un impact négatif sur la précision de la position. Alors, nous avons étudié et présenté différentes méthodes permettant de réduire et/ou d’éliminer des données aberrantes : les moindres carrés itérativement repondérés (IRWLS : Iterative ReWeighted Least Squares) et le filtrage de Kalman étendu robuste (FKE-robuste : FKER). Ainsi, nous avons appliqué la méthode FKE-robuste en considérant la combinaison des données GPS, Galileo et GLONASS de la station de base ABMF (station de réception GNSS gérée par Météo-France en Guadeloupe). Ceci nous a permis d’améliorer considérablement la précision de la position d’environ 84% par rapport à une combinaison de données non-robuste (utilisant la méthode des moindres carrés). Bien que la méthode FKE-robuste a permis une amélioration de la précision de la position, les résultats obtenus peuvent contenir des erreurs difficiles à estimer. En
conséquence, et pour tenir compte de cette défaillance, nous avons étudié, présenté et appliqué une autre méthode très puissante, elle est intitulée LSTM (pour Long Short Term Memory). La méthode LSTM constitue une architecture de réseau neuronal récurrent artificiel utilisée dans le domaine de l'apprentissage en profondeur. Elle est utilisée dans le domaine de « Deep Learning » pour effectuer certains types de prédiction (à partir de séries temporelles, …). La combinaison des deux techniques FKE-robuste et LSTM (deep learning), nous a permis d’améliorer largement la précision de positionnement d’un récepteur ; par exemple, la précision de la position est améliorée d’environ 95% par rapport à la combinaison non-robuste des données issues de la station de base ABMF.
Il est à noter que le GNSS n’est pas la seule technologie utilisée pour déterminer la position et la vitesse du récepteur. Dans le cas, où les signaux de GNSS sont bloqués et/ou inutilisables, nous avons combiné et fusionné les données GNSS et les données issues des systèmes inertiels INS (Inertial Navigation System), ce qui représente une bonne alternative pour déterminer la position du récepteur.
Les travaux réalisés dans le cadre de cette thèse sont menés dans le contexte du projet ePANEMA, soutenu dans le cadre du Programme d’Investissement d’Avenir (PIA) opéré par l’ADEME. Le travail a été effectué en partenariat avec les autres membres du consortium (SAFRAN SE, Diades Marine et l’ENSM).
16/12 à 14h : Soutenance de thèse d'Antoine FOUCAULT, (Lab-STICC / ENSTA Bretagne)
"La détection des émetteurs à faible puissance d’émission ou radars LPI"
Résumé : L’émergence et la généralisation des radars LPI (Low Probability of Intercept) représentent une menace pour les plateformes de type navire (frégate, porte-avions, …) dès lors que ces dernières ne sont pas en mesure de les repérer soit par leur propre radar, soit par un système de Mesure de Recherche Electronique (MRE) d’écoute du spectre. L’objectif de ce travail de thèse est de proposer de nouvelles méthodes de détection adaptées aux radars LPI et qui autorisent l’estimation de paramètres d’intérêt pour permettre l’identification des radars. On définit le cadre de l’étude en explicitant le critère LPI d’un radar par rapport à l’architecture usuelle MRE et en choisissant les signaux LPI qui sont traités. Trois détecteurs sont proposés, associés à trois approches différentes.
La première approche est une revisite de l’approche classique en MRE consistant en des intégrations de durée inférieure à celle de l’impulsion radar. L’intérêt est de pouvoir reconstruire cette dernière dans une représentation temps-fréquence, autorisant les estimations souhaitées. Le processus proposé reconstruit l’impulsion à partir de méthodes géométriques associées à des prédétections optimales élémentaires dans le cadre d’une analyse temps-fréquence. Le deuxième détecteur analysé basé sur l’autocorrélation cyclique intègre sur des durées bien supérieures à celles pratiquées usuellement. On montre qu’il est adapté à plusieurs types de signaux LPI d’intérêt. Le dernier détecteur consiste en une adaptation aux problématiques MRE d’un détecteur récemment proposé dans le domaine de la communication et radar, basé sur la théorie des matrices aléatoires. Il autorise l’utilisation de méthodes de type MUSIC pour l’estimation de la direction d’arrivée ou de la fréquence.
