thesis

Poursuite des sous-espaces et localisation des mobiles en UMTS

Defense date:

Jan. 1, 2008

Edit

Institution:

Paris 6

Directors:

Abstract EN:

The purpose of this thesis is to provide solutions to challenges facing the wireless localization and tracking techniques, with a special focus on Non Line of Sight (NLoS) effect arising from the presence of obstacles between the mobile station and the base station. In the case of mobile tracking algorithms, adaptive component and subspace analysis are important tools frequently used for different parametric estimation. We present in the first part of this thesis, an extensive study of this subject and we propose fast and efficient subspace tracking methods. The document is structured in three parts gathering several chapters: Subspace Tracking for Signal Processing. Mobile Localization in Wireless Networks. Appendix. Part I: Subspace Tracking for Signal Processing. In the first part, various theoretical aspects for adaptive subspace tracking in signal processing are presented. We start first by a global introduction. In chapter 1, an overview of subspace tracking methods is illustrated. In chapter 2, we propose fast adaptive algorithms for minor and principal component analysis. We start first by proposing new fast methods using Householder Transformation for extracting the desired minor eigenvectors of a covariance matrix. The two proposed methods are referred to as; MCA Orthogonal OJA using Householder Transform (MCA-OOJAH) and MCA Orthogonal FRANS using Householder Transform (MCA-OFRANSH). We propose next a fast PCA algorithm using Givens Rotations for tracking the desired principal eigenvectors of a covariance matrix, we refer to this new algorithm as Principal Component extraction using the Orthogonal PAST method (PC-OPAST). Finally, we study the MCA case where we elaborate a fast MCA algorithm for positive Hermitian covariance matrix associated with time series. This latter method is referred to as Minor Component extraction using the YAST-PGS algorithm (MC-YAST-PGS). Theoretical Convergence analysis and numerical stability analysis are provided in this chapter. Simulation results are presented to assess the performance of our algorithms and compare them with other existing methods. Chapter 3 relates to subspace analysis. To this end, we propose fast adaptive algorithms for minor and principal subspace analysis. The first new method referred to as Fast Orthogonal OJA (FOOJA) estimates the minor or the principal desired subspace of a covariance matrix. Another fast MSA method (YAST-PGS) is proposed in this chapter to extract the desired minor subspace of a positive Hermitian covariance matrix associated with time series. Theoretical stability analysis and simulation results are provided to illustrate the tracking capacity of the proposed algorithms. In chapter 4, we present an application of the subspace tracking for mobile localization. Indeed, we propose an adaptive mobile localization method using Time Of Arrival (TOA) and Direction Of Arrival (DOA) estimates. Simulation results prove the good estimation and tracking performance of the proposed method in typical propagation environments. Part II: Mobile Localization in Wireless Networks. This part deals with mobile localization in wireless networks and more precisely in the UMTS-FDD mode. Before presenting our contributions, we show in chapter 5, a brief summary on the evolution of cellular systems, and an overview of UMTS positioning methods. In chapter 6, we present an efficient TOA estimation method using RAKE-CFAR technique that reduces the effect of the hearability problem on mobile positioning in UMTS-FDD mode. Realistic simulation results show the accuracy improvement provided by the proposed method over a simple Rake receiver. In chapter 7, a new Mobile Station (MS) localization method is provided using Round Trip Time (RTT) measurements in the UMTS-FDD mode. The new methods take into account possible large RTT error measurements caused by Non Line of Sight (NLoS). The mobile position is then obtained only from the three most reliable RTT among the set of all RTT estimates when available. This method is also efficient even if all RTT measurements correspond to the LoS case. More precisely, this algorithm allows the selection of the least ’noisy’ RTT when all measurements are of LoS type. Simulation results show the gain of positioning accuracy provided by the proposed algorithm. In chapter 8, we propose an adaptive Interactive Multiple Models (IMM) Unscented Kalman Filter (UKF) with an efficient RAKE-CFAR method for mobile tracking in NLoS situation. This new algorithm is based first on an efficient and adaptive TOA estimation method, and an IMM-UKF method in order to operate in Non-Line-of-Sight situations and to track manoeuvring mobile. Realistic simulation results are presented in the UMTS-FDD mode to show the tracking accuracy provided by our proposed algorithm. Part III: Appendix. The appendix provides in chapters 9 and 10 complete proofs of some results of Part I and II and contains some details about the UMTS simulator.

Abstract FR:

Mes travaux de recherche se déclinent suivant deux directions : Techniques avancées du traitement du signal pour la localisation de sources. Application à la localisation et poursuite de mobile en UMTS. Méthodes rapides et stables pour la poursuite des sous-espaces. Techniques avancées du traitement du signal pour la localisation de sources : Application à la localisation et poursuite de mobile en UMTS. Depuis que la FCC (Federal Communications Commission) a demandé aux opérateurs américains d'assurer la localisation de tout terminal appelant les services d'urgence (avec une précision de 125 m dans 67 \% des cas), les opérateurs s'intéressent de plus en plus à la localisation de mobile. Ils y voient un moyen de proposer de nouveaux services comme la tarification par zone, la recherche de services proches (hôtels, restaurants), etc. De plus, cela leur permettrait d'avoir un indicateur géographique du trafic, pratique pour l'optimisation de leur réseau. Toutefois, bien que le nombre d'applications possibles soit important, la localisation de mobile n'a été prévue dans aucun système radio-mobile. C'est pourquoi, depuis quelques années, les opérateurs en ont fait un de leur sujet prioritaire de recherche. Plusieurs idées ont ainsi été proposées comme l'utilisation d'un récepteur GPS (Global Positionning Satellite) donnant la position du mobile à partir des temps d'arrivée de signaux issus de trois satellites. Cette solution, bien qu'étant d'une grande précision, n'est pas pour autant optimale. En effet, elle nécessite non seulement une visibilité directe du mobile avec trois satellites (ce qui pose un problème pour la localisation à l'intérieur des bâtiments, des reliefs montagneux. . . ) mais représente également un coût non négligeable à la charge des opérateurs. C'est pourquoi, certains opérateurs préfèrent s'orienter vers les solutions n'utilisant que les signaux radio. C'est cette approche que nous avons choisi de présenter dans cette thèse. Trois classes de méthodes sont utilisées pour la localisation du mobile : La première approche concerne méthodes basées sur l'estimation de la distance entre le mobile et la station de base, obtenue à partir des mesures des temps d'arrivée (TOA). Ces méthodes peuvent aussi bien être envisagées en liaison montante qu'en liaison descendante. Trois mesures impliquant des stations de base (BS) différentes sont au minimum nécessaires pour déterminer la position du mobile. La seconde approche concerne les méthodes basées sur l'estimation des angles d'arrivées(AOA). Celles-ci nécessitent l'installation d'antennes complexes et ne peut donc être envisagées qu'en liaison montante. Chaque AOA estimé définit une demi-droite, de sommet la station de base concernée, sur laquelle se trouve le mobile. Deux mesures de AOAs sont donc nécessaires pour localiser le mobile. Enfin, la troisième approche concerne les méthodes dites conjointes utilisant simultanément l'estimation des angles et des retards. La localisation de mobile ne nécessite alors que l'écoute d'une seule BS. Quelque soit la méthode choisie, les solutions proposées seront différentes selon la norme considérée. En effet, au problème d'absence de trajet direct (Non Line Of Sight (NLOS)) qui est caractéristique de l'ensemble des systèmes radio-mobile, s'ajoute un problème inhérent au système UMTS-FDD : le problème d'écoute (Near-Far Effect (NFE)). Il correspond à la difficulté pour les stations de base (BS) et les mobiles (MS) d'écouter des mobiles ou des BSs éloignés, i. E. Appartenant à des cellules voisines. Il est lié au fait que dans les réseaux UMTS-FDD les stations de base (respectivement les mobiles) émettent simultanément et sur la même bande de fréquence. Mon travail de recherche s'est donc attaché à proposer pour les systèmes UMTS-FDD, des solutions de localisation réalisites, efficaces et qui tiennent compte de ces deux problèmes. Un simulateur UMTS-FDD, construit suivant la norme, a permis de valider l'ensemble des solutions proposées. Enfin, une méthode adaptative de poursuite de mobile en UMTS est proposée. Cette méthode utilise l'estimation adaptative des sous-espaces qui occupe une partie de la thèse. Méthodes rapides et stables pour la poursuite des sous-espaces. Dans cette partie nous nous sommes intéressés à développer des techniques adaptatives capables d'exécuter un suivi de sous-espaces. L'ingrédient principal commun dans toutes ces méthodologies sera l'hypothèse que le rang du sous-espace est connu. La littérature existante sur le suivi de sous-espace est extrêmement riche, offrant une grande variété des schémas avec différentes complexités du calcul. Les algorithmes adaptatifs de suivi de sous-espace sont de grande importance, puisqu'ils peuvent être employés dans de nombreuses applications comme les systèmes de télécommunication, le filtrage adaptatif, la direction des arrivées, le traitement des rangées d'antenne, les systèmes linéaires, etc. Nous nous concentrons sur le problème du suivi de sous-espace lui-même, où nous sommes concernées par estimer les vecteurs singuliers (Minor and Principal Componet Analysis, MCA and PCA) ou une base orthonormale pour le sous-espace d'intérêt (Minor and Principal Subspace Analysis, MSA and PSA. Nos algorithmes proposés sont capables d'estimer le sous-espace (MSA and PSA) correspondant aux plus grandes et plus petites valeurs singulières (et même les vectuers propres correpondant, MCA and PCA). Leur caractéristique principale est leur faible complexité informatique, qui est accompagnée de stabilité numérique, même dans le cas des plus petites valeurs singulières. On devrait mentionner que toutes les techniques existantes de même complexité visant à estimer les plus petites valeurs singulières sont numériquement instables. En conclusion, avec l'aide des simulations, nous démontrons la meilleure exécution de notre méthode contre d'autres schémas populaires de la même complexité.