Simulations radio réalistes pour une représentation topologique compacte des canaux de propagation

Sciences pour l'ingénieur Simulations radio réalistes pour une représentation topologique compacte des canaux de propagation H/F Dans le cadre de ce stage, on se propose de développer un simulateur de propagation radio pour des scénarios riches en trajets multiples et impliquant un grand nombre de nœuds (utilisateurs mobiles et stations de base). Une fois calibré au moyen de mesures réelles, cet outil doit permettre de tester de nouvelles approches de traitement du signal, visant à représenter de façon compacte les canaux de propagation, en extrayant leur structure "géométrique" sous-jacente. Ces nouvelles représentations peuvent être exploitées au sein des futurs réseaux de communication distribués, par exemple pour assurer des fonctions de localisation et de détection, ou encore pour optimiser la gestion des ressources radio disponibles. Ce stage s'inscrit dans le cadre d’activités de recherche menées au sein du service d'accueil, qui s'appuient sur l’exploitation de nouvelles représentations des canaux de propagation radio pour les futurs réseaux de communication sans-fil.Le stage vise tout d’abord à concevoir et à développer un banc de simulation de la propagation radio, tenant compte à la fois des phénomènes de trajets multiples et de rétrodiffusion dans des scénarios complexes impliquant de multiples nœuds radio mobiles. De tels outils de simulation sont essentiels pour rendre compte avec précision de l’influence de la géométrie de l’environnement sur la propagation des ondes électromagnétiques (ex. positions relatives des dispositifs radio vis-à-vis d’objets ou d'obstacles environnants), qui ne peut être véritablement représentée au moyen de modèles statistiques plus conventionnels. Le développement de cet outil s’appuiera en particulier sur un simulateur de « tracer de rayons » déterministe appelé Sionna, faisant appel à une bibliothèque Python (code source ouvert) développée par NVidia et dédiée à la recherche. Les données de simulation générées seront analysées et calibrées à l’aide de mesures réelles, issues d’une phase expérimentale de sondage de canal au sein d’un environnement indoor de référence.Sur la base de ces simulations calibrées, un deuxième objectif du stage consiste à explorer le potentiel de nouvelles techniques de traitement du signal dites de « channel charting ». Ces dernières consistent à représenter de manière compacte, à apprendre, et enfin à classifier, des conditions opératoires de réseau suffisamment « semblables ». L’idée consiste à projeter des vecteurs de paramètres radio à grandes dimensions (ex. canal complexe estimé sur un grand nombre de fréquences, vis-à-vis de multiples stations de base) sur des sous-espaces à plus petites dimensions, sans nécessiter d’annotation (typiquement, sans avoir besoin de connaître la position de l’utilisateur mobile), et tout en préservant la structure topologique intrinsèque de ces paramètres. Les progrès récents en matière d’apprentissage automatique ont notamment permis d’extraire les propriétés géométriques sous-jacentes de tels canaux radio à grandes dimensions. Les représentations compactes ainsi obtenues peuvent ensuite être exploitées pour ajuster de manière proactive la configuration du réseau et les ressources radio dans les systèmes distribués de type D-MIMO (Distributed Multiple Inputs Multiple Outputs), ou encore pour localiser les utilisateurs connectés.En associant étroitement modélisation, programmation scientifique, simulation numérique et validation algorithmique, ce stage contribuera à une meilleure compréhension du lien entre propagation et géométrie de l'environnement dans un contexte de transmissions radio, ainsi qu'à son exploitation au sein des réseaux de nouvelle génération. Niveau d'étudeBac + 5 en cours (Master 2 Recherche ou Ecole d’ingénieurs); Compétences recherchéesSolides connaissances en traitement du signal radio;Connaissances en systèmes et technologies sans fil;Maîtrise de la programmation scientifique (Python) et des outils de base en apprentissage machine.