FR3104733A1 - Ensemble comportant un systeme de localisation d'emetteurs et une plateforme mobile ; systeme de localisation d'emetteurs, plateforme mobile et procede de mesure de direction d'arrivee associes - Google Patents
Ensemble comportant un systeme de localisation d'emetteurs et une plateforme mobile ; systeme de localisation d'emetteurs, plateforme mobile et procede de mesure de direction d'arrivee associes Download PDFInfo
- Publication number
- FR3104733A1 FR3104733A1 FR1914146A FR1914146A FR3104733A1 FR 3104733 A1 FR3104733 A1 FR 3104733A1 FR 1914146 A FR1914146 A FR 1914146A FR 1914146 A FR1914146 A FR 1914146A FR 3104733 A1 FR3104733 A1 FR 3104733A1
- Authority
- FR
- France
- Prior art keywords
- doa
- location system
- transmitter location
- mobile platform
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000691 measurement method Methods 0.000 title description 2
- VJYFKVYYMZPMAB-UHFFFAOYSA-N ethoprophos Chemical compound CCCSP(=O)(OCC)SCCC VJYFKVYYMZPMAB-UHFFFAOYSA-N 0.000 title 2
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 16
- 238000012545 processing Methods 0.000 description 5
- 230000004807 localization Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/14—Systems for determining direction or deviation from predetermined direction
- G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
- G01S3/48—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems the waves arriving at the antennas being continuous or intermittent and the phase difference of signals derived therefrom being measured
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/023—Monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/78—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using electromagnetic waves other than radio waves
- G01S3/782—Systems for determining direction or deviation from predetermined direction
- G01S3/783—Systems for determining direction or deviation from predetermined direction using amplitude comparison of signals derived from static detectors or detector systems
- G01S3/784—Systems for determining direction or deviation from predetermined direction using amplitude comparison of signals derived from static detectors or detector systems using a mosaic of detectors
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Ensemble comportant un système de localisation d’émetteurs et une plateforme mobile ; système de localisation d’émetteurs, plateforme mobile et procédé de mesure de direction d’arrivée associés Cet ensemble (10) comportant un système de localisation d’émetteurs (12) et une plateforme mobile (14), le système de localisation d’émetteurs (12) comportant une chaîne de réception (20) propre à délivrer un flux de données lors de la détection d’un signal incident, et un module de mesure de direction d’arrivée – DoA (24) propre à délivrer une mesure de la DoA du signal incident à partir du flux de données délivré par la chaîne de réception (20), caractérisé en ce que le module de mesure de DoA (24) met en œuvre un algorithme fondé sur un réseau de neurones artificiels. Figure pour l'abrégé : Figure 1
Description
L’invention a pour domaine celui des systèmes de localisation d’émetteurs, par exemple dans des dispositifs d’écoute électromagnétique.
De manière générale, l’écoute électromagnétique consiste à recevoir et mesurer des caractéristiques de signaux électromagnétiques provenant par exemple d’un émetteur radar, puis de réaliser différents traitements afin de recueillir des informations stratégiques sur les émetteurs de ces signaux. En fonction de ces informations, une réponse adaptée peut être fournie, comme par exemple le déclenchement de contre-mesures.
Parmi les différents traitements possibles, un traitement de localisation permet d’obtenir une information sur la position de l’émetteur d’un signal électromagnétique d’intérêt.
Un tel traitement se fonde sur une mesure de la direction d’arrivée – DoA («Direction of Arrival») du signal d’intérêt. A un instant donné, une mesure de la DoA permet de positionner l’émetteur sur une droite de visée. Lors du déplacement du porteur embarquant le système de localisation d’émetteurs, l’interception du signal d’intérêt depuis plusieurs positions distinctes permet la localisation précise de l’émetteur par recoupement des différentes droites de visées obtenues.
De manière classique, la mesure de la DoA s’appuie sur l’extraction des phases des signaux reçus sur chaque antenne du récepteur associé au systèmes de localisation d’émetteurs.
La principale source d’erreurs sur la mesure de la DoA est constituée par les biais de calibration (ou biais de goniométrie): calibration des antennes, calibration des différentes voies, calibration des phases, etc.
Les biais de calibration ont un effet opérationnel désastreux, puisqu’ils conduisent à une erreur sur la localisation estimée telle que le point de localisation de l’émetteur se trouve souvent très éloigné de la position réelle de l’émetteur, même après l’acquisition de nombreuses mesures de DoA.
En effet, les biais de calibration limitent le nombre de mesures qui peuvent être intégrées au cours du déplacement du porteur. Si les mesures étaient indépendantes les unes des autres, la précision angulaire obtenue sur un train de mesures serait fois meilleure que pour une mesure. Les biais de calibration étant fortement corrélés d’une mesure sur l’autre, on ne peut pas bénéficier de ce gain d’intégration en sur la précision de la localisation de l’émetteur.
Les biais de calibration ont donc des conséquences fortes sur les performances d’un système de localisation. Ils induisent des coûts de développement très importants pour tenter de les réduire.
Parmi les méthodes de calibration connues, on utilise principalement la méthode dite «de calibration vectorielle», qui est à l’heure actuelle la méthode de calibration la plus avancée. La calibration vectorielle utilise un critère d’adéquation des mesures réalisées à un ensemble de mesures « étalons » préalablement établies. Cette calibration consiste à établir une table d’étalonnage à cinq dimensions : fréquence, site, gisement et deux directions de polarisation. Le critère repose sur le choix d’une fonction d’observation du type maximum de vraisemblance basée sur les vecteurs directeurs et sur une comparaison des mesures «étalons» attendues aux mesures réalisées, d’après une modélisation et un maillage des lieux possibles de l’émetteur.
Cependant, la goniométrie vectorielle est limitée car la polarisation et le site ne sont, a priori, pas connus ni mesurés. L’environnement des antennes n’est pas maîtrisé.
La goniométrie vectorielle est également très sensible au bruit et ne résout que le cas de biais de calibration constants ou très lentement variables. Elle ne permet pas de compenser l’évolution d’un défaut dans le temps.
Elle n’est pas reproductible d’un système de localisation à un autre, même de conception identique, de sorte qu’il faut calibrer chaque système de localisation d’émetteurs spécifiquement.
Tout ceci limite fortement cette procédure de calibration, puisqu’une erreur résiduelle importante affecte les mesures de la DoA d’un signal d’intérêt.
Dans le cas général, il n’a pas encore été démontré qu’il était possible de corriger toutes les causes de biais de calibration.
Le but de la présente invention est de résoudre ce problème.
Pour cela l’invention a pour objet un ensemble comportant un système de localisation d’émetteurs et une plateforme mobile, le système de localisation d’émetteurs comportant une chaîne de réception propre à délivrer un flux de données lors de la détection d’un signal incident, et un module de mesure de direction d’arrivée – DoA propre à délivrer une mesure de la DoA du signal incident à partir du flux de données délivré par la chaîne de réception, caractérisé en ce que le module de mesure de DoA met en œuvre un algorithme fondé sur un réseau de neurones artificiels.
Suivant des modes particuliers de réalisation, l’ensemble comporte une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles:
- la chaîne de réception comportant une pluralité d’antennes et une pluralité de récepteurs, chaque récepteur étant associé à une unique antenne, le flux de données produit par la pluralité de récepteurs étant appliquée en entrée d’un calculateur, ledit calculateur comportant le module de mesure de DoA et éventuellement un module de prétraitement en amont du module de mesure de DoA;
- le flux de données est constitué par des échantillons temporels du signal incident;
- la plateforme mobile comporte: un émetteur d’un signal radioélectrique de référence; et une source lumineuse; et le système de localisation d’émetteurs comporte : un dispositif d’estimation de DoA, propre à estimer la DoA vraie du signal radioélectrique de référence, comportant une caméra et un module d’estimation de DoA propre à estimer une DoA vraie à partir des images en sortie de la caméra ; un module d’étiquetage permettant d’associer au flux de données produit par la chaine de réception lors de la détection du signal de référence, la DoA vraie estimée par le dispositif d’estimation de DoA ; et une base de données d’apprentissage propre à mémoriser les échantillons étiquetés délivrés par le module d’étiquetage en tant que données d’entraînement pour paramétrer convenablement le module de mesure de DoA;
- la source lumineuse et la caméra fonctionnent dans le domaine infrarouge ou le domaine optique;
- la plateforme mobile est un drone;
- le système de localisation d’émetteurs fonctionne dans le domaine radiofréquence;
L’invention a également pour objet un système de localisation d’émetteurs propre à coopérer avec une plateforme mobile pour constituer un ensemble conforme à l’ensemble précédent.
L’invention a également pour objet une plateforme mobile est propre à coopérer avec un système de localisation d’émetteurs pour constituer un ensemble conforme à l’ensemble précédent.
L’invention a également pour objet un procédé de mesure de direction d’arrivée – DoA propre à mesurer la DoA d’un signal électromagnétique incident, le procédé étant mis en œuvre au moyen de l’ensemble précédent et comportant les étapes consistant à:
- déplacer la plateforme mobile autour de l’ensemble antennaire du système de localisation d’émetteurs ;
- commander l’émission par l’émetteur d’un ou plusieurs signaux électromagnétiques de référence et l’émission par la source lumineuse d’un signal lumineux;
- mesurer la DoA vraie du signal de référence à partir de la détection du signal lumineux;
- obtenir un flux de données en sortie de la chaîne de réception du système de localisation d’émetteurs à partir de la détection du signal de référence;
- étiqueter le flux de données obtenu avec la DoA vraie mesurée et stocker le flux de données étiqueté en tant que données d’entraînement dans une base de données d’apprentissage;
- puis, une fois que le nombre de données d’entraînement dans la base de données d’apprentissage est suffisant, optimiser les paramètres du réseau de neurones artificiels du module de mesure de DoA du système de localisation d’émetteurs à partir des données d’entraînement de la base de données d’apprentissage; et,
- une fois que le réseau de neurones artificiels du module de mesure de DoA est convenablement paramétré, utiliser le système de localisation d’émetteurs pour mesurer la DoA d’un signal incident quelconque.
L’invention et ses avantages seront mieux compris à la lecture de la description détaillée qui va suivre d’un mode de réalisation particulier, donné uniquement à titre d’exemple non limitatif, cette description étant faite en se référant aux dessins annexés sur lesquels:
PRESENTATION GENERALE
De manière générale, pour estimer la DoA d’un signal électromagnétique intercepté, un système de localisation d’émetteurs selon l’invention met en œuvre un algorithme d’apprentissage automatique («machine learning»en anglais), de préférence du type réseau de neurones artificiels - RNA. Cela permet de relâcher les contraintes techniques de conception liées à la problématique complexe de correction des biais de calibration pour la mesure de la DoA. En effet, un algorithme d’apprentissage automatique, une fois convenablement paramétré au moyen de données d’entraînement, permet une correction automatique des imperfections affectant les mesures effectuées par le système de localisation d’émetteurs.
Un mode de réalisation du système de localisation d’émetteurs selon l’invention va maintenant être présenté en détails en se référant à la figure 1.
La figure 1 représente un ensemble 10 comportant un système de localisation d’émetteurs 12 et un drone 14.
Le système de localisation d’émetteurs 12 comporte une chaîne de réception 20 et un calculateur 25.
La chaîne de réception 20, de préférence radiofréquence – RF, comporte:
- une pluralité d’antennes 21;
- une pluralité de récepteurs 22, chaque récepteur étant associé à une unique antenne et étant propre à réaliser un échantillonnage temporel d’un signal incident sur l’antenne associée.
De préférence, les antennes sont non-linéairement espacées afin de pouvoir lever les ambiguïtés lorsque la longueur d’onde du signal incident est courte, comme cela est connu de l’homme du métier. De préférence, la distribution spatiale des antennes se fait selon deux dimensions pour pouvoir réaliser une mesure de DoA en gisement et en élévation.
Un récepteur 22 comporte par exemple un ou plusieurs amplificateurs, un démodulateur, et un numériseur en série. Les différents récepteurs 22 sont synchronisés sur une horloge commune.
Pour un signal RF, un récepteur 22, qui prend la forme d’une carte électronique, réalise par exemple la transposition en bande de base et l’échantillonnage sur une bande de 500 MHz. La fréquence centrale est avantageusement réglable entre 2 et 18 GHz.
Le flux de données en sortie des récepteurs 22 est par exemple appliqué en entrée du calculateur 25 via une liaison Ethernet.
Le calculateur 25 comporte un moyen de calcul, tel qu’un processeur (par exemple un processeur multi-cœurs ou un processeur graphique «GPU»), et un moyen de stockage d’informations, tel qu’une mémoire. La mémoire comporte notamment différents programmes d’ordinateur, dont les instructions sont propres à être exécutées par le processeur.
Parmi ces différents programmes, le calculateur 25 comporte un module de prétraitement 23 et un module d’estimation de la DoA 24.
Le module de prétraitement 23, qui est optionnel, réalise une réduction de la taille du flux de données en sortie de la chaîne de réception 20. Il tient avantageusement compte de certaines invariances pertinentes dans les données reçues, telles que par exemple une invariance en amplitude, une invariance en phase absolue, etc.
Le système de localisation d’émetteur 12 comporte un module de mesure de DoA 24 propre à délivrer une mesure de la DoA d’un signal RF d’intérêt intercepté dans l’environnement. Cette mesure est réalisée à partir des échantillons temporels délivrés par la chaîne de réception 20 (éventuellement après prétraitement par le module 23) dans une fenêtre temporelle d’estimation.
Selon l’invention, le module de mesure de DoA 24 met en œuvre un algorithme de «machine learning» pour réaliser la mesure de la direction d’arrivée – DoA.
Cet algorithme, qui sera décrit en détail ci-dessous, nécessite une phase d’apprentissage, permettant de déterminer les valeurs optimales des paramètres du module 24.
Il est donc nécessaire de disposer d’une base de données d’apprentissage comportant des données d’entraînement, une donnée d’entraînement associant les échantillons temporels d’un signal incident avec la direction d’arrivée vraie de ce signal incident.
Pour l’enrichissement de cette base de données d’apprentissage, une plateforme mobile est utilisée permettant de déplacer à convenance un émetteur de signaux de référence couplé à une source lumineuse permettant une estimation la DoA vraie des signaux de référence émis par l’émetteur et détectés par le système de localisation d’émetteurs 12.
Dans le mode de réalisation préférentiel, la plateforme mobile est un drone 14 à voilure tournante sur lequel est embarqué :
- un émetteur RF 52, propre à émettre des signaux RF de référence, avantageusement avec des formes d’ondes différentes (en particulier à des fréquences différentes), de manière à être représentatifs des signaux RF rencontrés en conditions d’utilisation réelles du système 12;
- une source lumineuse 51 omnidirectionnelle, tel que par exemple un ensemble de LEDs infrarouge.
Pour l’estimation de la DoA vraie, le système 12 comporte un dispositif de mesure, par exemple constitué d’une caméra 31, qui est disposée au voisinage des antennes 21 du système 12. La caméra 31, de préférence grand angle, présente une sensibilité adaptée à la bande de fréquence du signal lumineux émis par la source lumineuse 51. Dans le mode de réalisation préféré, la caméra 31 fonctionne dans le domaine infrarouge.
Les images délivrées par la caméra sont appliquées en entrée du calculateur 25, qui comporte, parmi les différents programmes qu’il est susceptible d’exécuter, un module d’estimation de DoA 32 propre à délivrer une estimation de la DoA du signal lumineux à partir des images délivrées par la caméra 31 et par conséquent une estimation de la DoA vraie du signal RF de référence.
Le module 32 met en œuvre un algorithme simple de traitement d’image, permettant d’extraire la position d’un point brillant correspondant à la source lumineuse, et permettant de convertir cette position en une mesure de position relative par rapport au système 12, par exemple une position selon deux dimensions, typiquement en gisement et élévation par rapport à une direction de référence associée aux antennes 21.
Le système 12 comporte, parmi les différents programmes que le calculateur 25 exécute, un module d’étiquetage 34 permettant d’associer aux échantillons temporels délivrés par la chaîne de réception 20 lors de la réception d’un signal RF de référence, la DoA vraie mesurée par le module 32 au même instant.
Enfin, le système 12 comporte une base de données d’apprentissage 40 propre à stocker les échantillons étiquetés délivrés en sortie du module 34, en tant que données d’entraînement.
Bien que d’autres algorithmes puissent être utilisés, le réseau de neurones artificiels mis en œuvre par le module de mesure de DoA 24 est avantageusement du type MLP («Multi Layer Perceptron»). Cette architecture très simple possède une seule couche cachée. D’après les simulations qui ont été réalisées, grâce à la simplicité de cette architecture, de bonnes performances sont obtenues avec des temps de calcul très raisonnables, aussi bien pour la phase d’apprentissage que pour la phase d’utilisation du système 12.
Les différentes couches sont complètement interconnectées.
La couche cachée réalise par exemple la transformation générique suivante sur le vecteur d’entrée pour obtenir en sortie le vecteur intermédiaire :
où est une matrice de poids, un vecteur de biais, et la fonction d’activation de la couche cachée.
La couche de sortie réalise par exemple la transformation générique suivante sur le vecteur intermédiaire pour obtenir en sortie le vecteur de sortie :
où est une matrice de poids, un vecteur de biais, et la fonction d’activation de la couche de sortie.
Si on note la taille du vecteur d’entrée , celle du vecteur de sortie et celle du vecteur intermédiaire de la couche cachée, alors les différents groupes de paramètres à optimiser sont de taille:
Bien que le réseau de neurones artificiels puisse fonctionner directement à partir des échantillons bruts du signal, différents essais en simulation ont permis d’identifier qu’un prétraitement simple d’extraction de la phase et de soustraction d’une phase de référence (ce qui revient à prendre la phase relative entre les voies) permet d’obtenir de meilleurs résultats à temps de calcul équivalent. Le module de mesure de DoA prend donc avantageusement en entrée les déphasages entre les antennes 21 calculés par le module 23.
Dans le cas de signaux complexes (échantillonnage I/Q), la phase est calculée directement sur chaque échantillon en prenant l’argument. Pour des signaux réels, il est possible d’utiliser la même structure si l’on réalise au préalable une transformée de Hilbert pour obtenir un signal analytique à partir du signal réel.
Pour un ensemble antennaire à une dimension et des signaux complexes (échantillons I/Q), la structure des données d’entrée est la suivante :
avec l’indice de l’antenne (entier entre 1 et le nombre total d’antennes) et l’indice de l’échantillon temporel (entier entre 0 et M-1, où Mx est la largeur de la fenêtre temporelle considérée pour la mesure de la DoA et la résolution temporelle de l’échantillonnage), est la phase, et l’indice 1 correspondant à la partie réelle du signal complexe et l’indice 2 correspond à la partie imaginaire du signal complexe .
Le fait d’utiliser les parties réelles et imaginaires plutôt que la phase brute permet d’avoir des entrées bornées entre -1 et 1 et d’éviter les discontinuités que peut avoir la phase entre 2π et 0.
Avant l’entrée dans le réseau de neurones artificiels du module 24, cette structure matricielle des données d’entrée est «aplatie» et transformée en vecteur.
Dans un premier mode de réalisation, l’algorithme RNA réalise une classification. Une classe correspond alors à un intervalle de valeurs de DoA (par exemple des intervalles de largeur de 1° en gisement).
Dans ce premier mode de réalisation, la couche de sortie comporte une opération non-linéaire de type «softmax». La taille de la couche de sortie correspond au nombre de classes choisi. Le vecteur de sortie correspond alors à une distribution de probabilités de la DoA sur la plage angulaire considérée.
Le critère à optimiser dans la phase d’apprentissage sera l’entropie croisée («cross-entropy»).
Dans un second mode de réalisation, l’algorithme RNA réalise une régression. La sortie est un scalaire correspondant à la valeur de la DoA. Cette valeur de DoA peut être normalisée entre 0 et 1. La couche de sortie comporte alors de préférence une opération non-linéaire de type sigmoïde. Le critère à optimiser dans la phase d’apprentissage sera alors l’erreur quadratique moyenne entre la vérité terrain (DoA vraie) et la prédiction (DoA mesurée).
Le second mode de réalisation présente l’avantage de délivrer une grandeur scalaire, ce qui permet d’avoir une structure du RNA plus légère - car la taille du vecteur de sortie est plus petite que dans le cas du premier mode de réalisation - et ainsi gagner en temps de calcul. C’est cette approche qui est de préférence retenue.
L’ensemble 10 permet la mise en œuvre du procédé de mesure de DoA 100 de la figure 2.
Le procédé 100 débute par une phase d’apprentissage permettant d’optimiser les valeurs des paramètres du RNA du module de mesure de DoA 24.
Dans une étape 105, le drone 14 est déplacé à convenance autour de l’ensemble antennaire du système 12, permettant d’explorer un large domaine angulaire en élévation et en gisement. Ce balayage angulaire peut être programmé à l’avance et automatisé grâce au pilote automatique embarqué sur le contrôleur de vol du drone.
Dans une position stabilisée du drone 14, on commande simultanément l’émission par l’émetteur 52 d’un ou plusieurs signaux RF de référence (avec avantageusement des formes différentes) et par la source lumineuse 51 d’un signal infrarouge (étape 110).
A l’étape 120, la caméra 31 du système de localisation d’émetteurs 12 détecte le signal infrarouge. Les images produites permettent au module d’estimation de DoA 32 de déterminer la DoA du signal lumineux et par conséquent la DoA vraie du signal RF de référence. La DoA vraie est transmise au module d’étiquetage 34.
A l’étape 130 (réalisée en même temps que l’étape 120), les antennes 21 du système de localisation d’émetteurs 12 reçoivent le signal RF de référence. Les phases délivrées en sortie du module de prétraitement 23 sont transmises au module d’étiquetage 34.
A l’étape 140, le module d’étiquetage 34 est exécuté pour associer aux phases reçues du module de prétraitement 23, la DoA vraie reçue du module 32. Les phases étiquetées sont mémorisées dans la base de données d’apprentissage 40.
Les étapes 105 à 140 sont itérées (boucle 145) pour différentes position relatives du drone 14 par rapport au système de localisation d’émetteurs 12 de manière à peupler la base de données d’apprentissage 40. Il est nécessaire de disposer d’un nombre de données d’entraînement suffisant pour échantillonner convenablement le domaine d’emploi souhaité.
Une fois que la base de données d’apprentissage 40 comporte suffisamment de données d’entraînement, le procédé 100 passe à l’étape 150 d’apprentissage proprement dite, dans laquelle les paramètres du RNA sont optimisés à partir des données d’entraînement de la base de données 40. De manière connue en soi, les phases d’une donnée d’entrainement sont appliquées en entrée du module de mesure de DoA 24, et la mesure de DoA délivrée en sortie du module 24 est comparée avec la DoA vraie de la donnes d’entrainement. L’écart entre la DoA mesurée et la DoA vraie permet d’ajuster les paramètres du RNA du module de mesure de DoA 24, au moyen d’un algorithme d’optimisation.
Une fois les valeurs optimales des paramètres du RNA déterminées, l’émetteur et le drone sont éteints et le système de localisation d’émetteurs 12 peut être utilisé (étape 160) pour mesurer les DoA de signaux incidents quelconques. Un signal incident d’un émetteur ennemi arrive sur les antennes 21 et est numérisé. Après prétraitement, les phases obtenues alimentent le réseau de neurones artificiels du module 24, maintenant convenablement paramétré, qui délivre alors une mesure de la direction d’arrivée du signal incident.
Des essais sur l’ensemble complet (système de localisation 12 et drone 14 pour la génération de données d’entraînement) ont été menés en extérieur. L’erreur quadratique moyenne sur la mesure la DoA sur les données de test a été de 2°. Sur cet exemple, la fréquence porteuse de l’onde était de 1 GHz.
Il y a donc une bonne adéquation entre les mesures données par le RNA et la vérité terrain. Ceci a permis de démontrer la faisabilité d’une approche d’intelligence artificielle basée sur un réseau de neurones artificiels.
En variante, la source lumineuse et la caméra fonctionnent dans le spectre visible. La caméra est alors avantageusement munie d’un filtre optique passe bande pour sélectionner le signal lumineux émis par la source embarquée à bord de la plateforme mobile.
L’architecture du système de localisation d’émetteurs selon l’invention intègre un composant paramétrique qui permet de calibrer automatiquement l’antenne, des composants hyperfréquences, de l’environnement électromagnétique, etc. et ceci sans passer par des mesures longues et couteuses en chambre sourde pour effectuer les étapes de calibration comme cela est le cas pour l’état de la technique.
Ainsi, selon l’invention, la chaîne de réception 20 n’a pas besoin d’être calibrée. Elle applique le flux de données issu de chaque antenne en entrée du calculateur 35. En variante, au lieu d’être des échantillons temporels de signaux, ces données peuvent être des données d’autres types décrivant les signaux reçus.
Une telle architecture permet notamment de travailler nativement et simplement avec une disposition d’antennes quelconques (antennes non planes, écartements entre les antennes irréguliers, etc.) sans avoir à effectuer des calculs complexes.
L’homme du métier constatera que, dans l’architecture du système de localisation d’émetteurs selon l’invention, le composant paramétrique remplace différents composants d’un système de localisation d’émetteurs selon l’état de la technique.
Grace à cette calibration automatique, le système de localisation d’émetteurs peut être un système « bas coût ».
Le problème du vieillissement de la calibration trouve immédiatement une solution, puisque l’optimisation du paramétrage du composant paramétrique peut être facilement réalisée entre deux utilisations du système de localisation d’émetteurs.
De plus, l’architecture développée ici peut très facilement être portée sur un système de localisation d’émetteurs différent, moyennant un réapprentissage des paramètres du composant paramétrique (« transfer learning » ).
Claims (10)
- Ensemble (10) comportant un système de localisation d’émetteurs (12) et une plateforme mobile (14), le système de localisation d’émetteurs (12) comportant une chaîne de réception (20) propre à délivrer un flux de données lors de la détection d’un signal incident, et un module de mesure de direction d’arrivée – DoA (24) propre à délivrer une mesure de la DoA du signal incident à partir du flux de données délivré par la chaîne de réception (20), caractérisé en ce que le module de mesure de DoA (24) met en œuvre un algorithme fondé sur un réseau de neurones artificiels.
- Ensemble selon la revendication 1, dans lequel la chaîne de réception (20) comportant une pluralité d’antennes (21) et une pluralité de récepteurs (22), chaque récepteur étant associé à une unique antenne, le flux de données produit par la pluralité de récepteurs étant appliquée en entrée d’un calculateur (25), ledit calculateur comportant le module de mesure de DoA (24) et éventuellement un module de prétraitement (23) en amont du module de mesure de DoA.
- Ensemble selon la revendication 2, dans lequel le flux de données est constitué par des échantillons temporels du signal incident.
- Ensemble selon l’une quelconque des revendications précédentes, dans lequel la plateforme mobile comporte:
- un émetteur d’un signal radioélectrique de référence; et,
- une source lumineuse; et,
le système de localisation d’émetteurs comporte :
- un dispositif d’estimation de DoA, propre à estimer la DoA vraie du signal radioélectrique de référence, comportant une caméra (31) et un module d’estimation de DoA (32) propre à estimer une DoA vraie à partir des images en sortie de la caméra ;
- un module d’étiquetage (34) permettant d’associer au flux de données produit par la chaine de réception (20) lors de la détection du signal de référence, la DoA vraie estimée par le dispositif d’estimation de DoA ; et,
- une base de données d’apprentissage propre à mémoriser les échantillons étiquetés délivrés par le module d’étiquetage (34) en tant que données d’entraînement pour paramétrer convenablement le module de mesure de DoA (24). - Ensemble selon la revendication 4, dans lequel la source lumineuse et la caméra fonctionnent dans le domaine infrarouge ou le domaine optique.
- Ensemble selon l’une quelconque des revendications précédentes, dans lequel la plateforme mobile est un drone (14).
- Ensemble selon l’une quelconque des revendications précédentes, dans lequel le système de localisation d’émetteurs (12) fonctionne dans le domaine radiofréquence.
- Système de localisation d’émetteurs (12) caractérisé en ce qu’il est propre à coopérer avec une plateforme mobile (14) pour constituer un ensemble conforme à l’une quelconque des revendications 1 à 7.
- Plateforme mobile (14) caractérisée en ce qu’elle est propre à coopérer avec un système de localisation d’émetteurs (12) pour constituer un ensemble conforme à l’une quelconque des revendications 1 à 7.
- Procédé de mesure de direction d’arrivée – DoA (100) propre à mesurer la direction d’arrivée - DoA d’un signal électromagnétique incident sur un système de de localisation d’émetteurs (12), caractérisé en ce que, au moyen d’un ensemble (10) selon l’une quelconque des revendications 1 à 7, le procédé comporte les étapes consistant à:
- déplacer (105) la plateforme mobile (14) autour de l’ensemble antennaire du système de localisation d’émetteurs (12);
- commander (110) l’émission par l’émetteur (52) d’un ou plusieurs signaux électromagnétiques de référence et l’émission par la source lumineuse (51) d’un signal lumineux;
- mesurer (120) la DoA vraie du signal de référence à partir de la détection du signal lumineux;
- obtenir (130) un flux de données en sortie de la chaîne de réception (20) du système de localisation d’émetteurs (12) à partir de la détection du signal de référence;
- étiqueter (140) le flux de données obtenu avec la DoA vraie mesurée et stocker le flux de données étiqueté en tant que données d’entraînement dans une base de données d’apprentissage (40);
- puis, une fois que le nombre de données d’entraînement dans la base de données d’apprentissage est suffisant, optimiser (150) les paramètres du réseau de neurones artificiels du module de mesure de DoA (24) du système de localisation d’émetteurs (12) à partir des données d’entraînement de la base de données d’apprentissage (40); et,
- une fois que le réseau de neurones artificiels du module de mesure de DoA (24) est convenablement paramétré, utiliser le système de localisation d’émetteurs (12) pour mesurer la DoA d’un signal incident quelconque.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1914146A FR3104733B1 (fr) | 2019-12-11 | 2019-12-11 | Ensemble comportant un systeme de localisation d'emetteurs et une plateforme mobile ; systeme de localisation d'emetteurs, plateforme mobile et procede de mesure de direction d'arrivee associes |
PCT/EP2020/085583 WO2021116312A1 (fr) | 2019-12-11 | 2020-12-10 | Ensemble comportant un système de localisation d'émetteurs et une plateforme mobile; système de localisation d'émetteurs, plateforme mobile et procédé de mesure de direction d'arrivée associés |
EP20820438.8A EP4073533A1 (fr) | 2019-12-11 | 2020-12-10 | Ensemble comportant un système de localisation d'émetteurs et une plateforme mobile; système de localisation d'émetteurs, plateforme mobile et procédé de mesure de direction d'arrivée associés |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1914146A FR3104733B1 (fr) | 2019-12-11 | 2019-12-11 | Ensemble comportant un systeme de localisation d'emetteurs et une plateforme mobile ; systeme de localisation d'emetteurs, plateforme mobile et procede de mesure de direction d'arrivee associes |
FR1914146 | 2019-12-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3104733A1 true FR3104733A1 (fr) | 2021-06-18 |
FR3104733B1 FR3104733B1 (fr) | 2022-03-18 |
Family
ID=70456855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1914146A Active FR3104733B1 (fr) | 2019-12-11 | 2019-12-11 | Ensemble comportant un systeme de localisation d'emetteurs et une plateforme mobile ; systeme de localisation d'emetteurs, plateforme mobile et procede de mesure de direction d'arrivee associes |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4073533A1 (fr) |
FR (1) | FR3104733B1 (fr) |
WO (1) | WO2021116312A1 (fr) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113534132B (zh) * | 2021-07-16 | 2023-02-10 | 西安电子科技大学 | 一种自适应无人机波达方向估计方法 |
CN113970718A (zh) * | 2021-10-27 | 2022-01-25 | 东南大学 | 一种阵列超分辨波达方向估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768477A (en) * | 1996-09-10 | 1998-06-16 | Southwest Research Institute | Radio direction finding system for narrowband multiple signals |
US20190180630A1 (en) * | 2017-01-23 | 2019-06-13 | DGS Global Systems, Inc. | Unmanned vehicle recognition and threat management |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111433627B (zh) * | 2018-04-05 | 2023-09-22 | 谷歌有限责任公司 | 使用机器学习执行角估计的基于智能设备的雷达系统 |
-
2019
- 2019-12-11 FR FR1914146A patent/FR3104733B1/fr active Active
-
2020
- 2020-12-10 EP EP20820438.8A patent/EP4073533A1/fr not_active Withdrawn
- 2020-12-10 WO PCT/EP2020/085583 patent/WO2021116312A1/fr unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5768477A (en) * | 1996-09-10 | 1998-06-16 | Southwest Research Institute | Radio direction finding system for narrowband multiple signals |
US20190180630A1 (en) * | 2017-01-23 | 2019-06-13 | DGS Global Systems, Inc. | Unmanned vehicle recognition and threat management |
Also Published As
Publication number | Publication date |
---|---|
FR3104733B1 (fr) | 2022-03-18 |
WO2021116312A1 (fr) | 2021-06-17 |
EP4073533A1 (fr) | 2022-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR2833356A1 (fr) | Radar a ondes de surface | |
EP3203267B1 (fr) | Methode de calibrage d'un recepteur de radio-navigation par satellites | |
WO2020136258A1 (fr) | Dispositif de génération d'un ensemble de données simulées du fouillis de mer, procédé et programme d'ordinateur associés | |
WO2008113750A1 (fr) | Dispositif et procede de localisation d'un mobile a l'approche d'une surface reflechissant les ondes electromagnetiques | |
EP4073533A1 (fr) | Ensemble comportant un système de localisation d'émetteurs et une plateforme mobile; système de localisation d'émetteurs, plateforme mobile et procédé de mesure de direction d'arrivée associés | |
EP1751574B1 (fr) | Procede de localisation d'un emetteur avec un reseau synthetique lacunaire d'antennes | |
WO2006123042A2 (fr) | Antenne cruciforme a sous -antennes lineaires et traitement associe pour radar aeroporte | |
EP2544020B1 (fr) | Procédé et dispositif de détection d'une cible masquée par des réflecteurs de forte énergie | |
FR2862439A1 (fr) | Antenne cruciforme a sous-antennes lineaires et traitement associe | |
EP3356840B1 (fr) | Procédé de détermination de caractéristiques d'une onde électromagnétique | |
EP1227333A1 (fr) | Procédé et dispositif de localisation d'un émetteur terrestre à partir d'un satellite | |
EP1324065B1 (fr) | Procédé de localisation passive d'une cible et notamment de localisation air-air | |
EP0478424B1 (fr) | Procédé et dispositif de mesure de l'intégrité d'une émission | |
CN114966674A (zh) | 一种基于发射波形信息的凝视雷达低空目标测高方法 | |
FR3009912A1 (fr) | Procede de detection d'un signal electromagnetique par un reseau antennaire et dispositif mettant en oeuvre un procede | |
CN112183205B (zh) | 一种分布式雷达高精度角度测量方法及系统 | |
WO2017144679A1 (fr) | Capteur intégré d'interception des émissions radioélectriques com/rad | |
Cattenoz | MIMO radar processing methods for anticipating and preventing real world imperfections | |
FR3030773B1 (fr) | Procede d'identification de positions d'objets dans un environnement. | |
CN116256714B (zh) | 基于雷达成像的电磁散射特性测量方法及装置 | |
EP3470871B1 (fr) | Procédé de détection de signaux radar | |
EP3588123B1 (fr) | Procédé et système de détermination d'un angle d'arrivée d'un signal radioélectrique | |
CN117233698A (zh) | 一种长短尺度双通道卷积神经网络的高精度doa估计方法 | |
EP2605420A1 (fr) | Procede pour séparer des émissions électromagnétiques issues de plusieurs émetteurs | |
WO2023088895A1 (fr) | Détection d'objets améliorée par une antenne synthétique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20210618 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |
|
PLFP | Fee payment |
Year of fee payment: 5 |