PFE MASTER 2 Technologies Des Télécommunications
PFE MASTER 2 Technologies Des Télécommunications
PFE MASTER 2 Technologies Des Télécommunications
Mémoire de Master
Option : Technologies des Télécommunications
Thème :
parents qui nous ont fait de nous ce que nous sommes aujourd’hui.
Nous remercions tous les membres de jury qui nous ont fait
A toute ma famille,
Je dédie ce mémoire
Amina
Dédicace :
Je rends grâce à Allah de m’avoir donné le courage et la
études.
famille.
chère Sarah
Nour El houda
Résume
Un modèle multiple basé sur le filtre Kalman étendu (EKF-IMM) est étudie pour
l’estimation d'emplacement mobile avec la fusion des données du temps d'arrivée (TOA) et la
puissance du signal reçue (RSS) dans un environnement sans fil.
Le filtre Kalman étendu est utilisé pour l’estimation non linéaire. L'IMM est utilisé
comme un commutateur entre les états de la ligne de vision directe (LOS) et la ligne de vision
indirecte (NLOS), qui sont considéré comme un processus de Markov avec deux modes
interactifs. Les résultats de la simulation illustrent que la performance de la méthode étudiée a
été significativement amélioré dans le cas de transition LOS / NLOS.
Abstract
SOMMAIRE
I
SOMMAIRE
II
Liste des figures
III
Liste des figures
IV
Liste des abréviations
V
Liste des abréviations
VI
Introduction générale
Introduction générale
Le service de localisation mobile a été stimulé par le Comité de la Commission Fédérale des
États-Unis (FCC) qui a obligé les opérateurs sans fils à fournir l'emplacement des appelants
d'urgence. Alors que l'exigence de précision pour la phase II est de 100 m pour 67% du temps et de
300 m pour 95% du temps pour les systèmes de localisation basés sur le réseau [1], on peut
s'attendre à ce que l'exigence devienne plus stricte à l'avenir en raison des exigences d'autres
applications potentielles telles que les services de facturation basés sur l'emplacement, la gestion
des ressources, les applications du système de transport intelligent (STI), la gestion de la flotte, etc.
L'estimation de la position du mobile est un sujet de recherche depuis de nombreuses
années. Différents services pour l'estimation de la position des stations mobiles sont appliqués sur la
communication des réseaux sans fils tels que les services d'urgence, la facturation basée sur
l'emplacement, et les systèmes de transport intelligents (STI). Les méthodes les plus populaires
utilisées pour estimer l'emplacement de mobile sont l'angle d'arrivée (Angle Of Arrival: AOA), la
différence de temps d'arrivée (Time difference Of Arrival: TDOA), le temps d’arrivée (Time Of
Arrival: TOA) et la puissance de signal reçue (Received Signal Strength: RSS) [1].
En utilisant l'estimation par AOA, une ligne d’effet (Line Of Bearing: LOB) de la station de
base (Base station: BS) est liée à la station mobile (Mobile Station: MS). L'emplacement de la
station mobile (MS) peut être estimé en utilisant plusieurs LOB. Un ensemble d’antennes est requis
pour l’estimation précise de l'emplacement de la MS. Il est difficile pour arriver à une
implémentation réelle en utilisant la méthode AOA. Si la technique du TDOA est utilisée, le temps
de différence d'arrivée de la MS pour une paire de BS est mesuré au niveau de ces deux dernières.
Une hyperbole est générée pour chaque mesure du TDOA. La position de la MS peut être estimée
par l’intersection de ces hyperboles. La méthode du TOA calcule le temps d'arrivée de la MS à la
BS. Comme la Technique TDOA, un cercle est généré pour chaque mesure du TOA, et la position
de la MS peut être estimée par l'intersection de ces cercles. La RSS peut être utilisée pour estimer la
position de la MS parce que le modèle mathématique de la RSS est relié à l’atténuation de la
puissance avec la distance [2] [3].
Quel que soit la précision de l'estimation de la position des MS, elle reste toujours un
problème très difficile pour tout type de méthode d'estimation si elle est utilisée seule, et surtout
dans la région urbaine car l'environnement sans fil est rugueux. Pour résoudre ce problème,
l'estimation de la position du mobile en association avec la technique de fusion de données a été
proposée pour améliorer la précision. Plusieurs papiers utilisent la fusion de données de TOA /
AOA, TDOA / AOA, ou TOA / TDOA / AOA pour estimer la position du mobile. Des antennes
spéciales sont nécessaires si la méthode de l'AOA est utilisée. L'estimation de la position par la
1
Introduction générale
fusion de données entre RSS et TOA est présentée dans ce mémoire. Elle peut être réalisée sans la
nécessité des composants matériels supplémentaires.
Le problème pour les réseaux cellulaires dans la région urbaine est l'effet de coin. Il se produit
quand une MS tourne à un coin de rue. Les conditions de propagation (entre la MS et la BS)
peuvent changer d'une visibilité directe (Line Of Sight:LOS) vers une visibilité indirecte (Non-Line
Of Sight: NLOS) sur une courte distance. La propagation du NLOS conduit généralement à un biais
positif dans l'estimation de la distance et provoque une grande erreur dans l'estimation de
l'emplacement du mobile. Même pour un système de localisation utilise la technique de fusion de
données, il est encore difficile d'estimer avec précision l'emplacement du mobile si l'effet de NLOS
est négligé. Par conséquent, il est important de déterminer les probabilités LOS et NLOS de la
liaison entre les MS et chaque BS, respectivement.
Le travail présenté dans ce mémoire a pour objectif de localiser une station mobile dans un
réseau GSM à basse d’un estimateur de type EKF-IMM situé dans un environnement de
propagation urbain, avec l’utilisation de la fusion de données des mesures du temps d'arrivée (TOA)
et les mesures de la puissance du signal reçu (RSS). Ce mémoire est organisé comme suit :
Le premier chapitre est consacré à des généralités sur les systèmes et les différentes
technologies de positionnement, on donne aussi un aperçu sur les techniques de base utilisées pour
la localisation d’un mobile dans les systèmes de radiolocalisation en particulier.
Dans le deuxième chapitre, on présente l'estimation de la position par la fusion de données
entre RSS et TOA, et on étudie le filtre de Kalman étendu et l’application d’un filtre IMM-EKF .
Le dernier chapitre représente les résultats de simulation d'un IMM-EKF utilisé pour la
localisation d'une MS dans environnement sans fils.
2
Chapitre I
Techniques et
Technologies de
localisation
Chapitre I : Techniques et technologies de localisation
1. Introduction
La localisation répond à la question ‘Où est-il ?’ Cela peut être un lieu symbolique,
comme une salle ou une rue, ou cela peut être défini par des coordonnées en deux ou trois
dimensions. Elle peut aussi être vue comme l’emplacement et la distance d’un terminal. Quant
au positionnement c’est le processus de trouver les coordonnées en deux ou trois dimensions
de ce terminal et peut également signifier la détermination de sa distance. Cette dernière peut
être relative ou absolue : Une position relative est décrite par une distance ou un relèvement
par rapport à un objet particulier, alors que la position absolue à des coordonnées de deux ou
trois dimensions dans un repère défini [1].
Un système de localisation implique sur une infrastructure contenant un ensemble des
capteurs permettant d’obtenir les informations nécessaires. Ces informations sont transmises à
une partie intelligente permettant de traiter les données acquises et d’extraire l’information
nécessaire pour déterminer la position. Les capteurs peuvent être classés en deux types : Les
capteurs de référence, ce sont de capteurs fixes. Leurs positions sont connues. Les capteurs
mobiles, ce sont des capteurs fixés sur les objets que nous souhaitons localiser [2]. Nous nous
intéressons à la radiolocalisation qui est une technique permettant de connaître la position
d’un mobile (une personne ou un objet) dans un environnement donné [3] [4] [5].
Il existe plusieurs techniques de mesure telles que : Time Of Arrival (TOA), Time
Difference Of Arrival (TDOA), Angles Of Arrival (AOA), Received Signal Strength (RSS),
pour le calcul des distances et des angles dans les systèmes de géolocalisation utilisant les
ondes radio [6] [7].
3
Chapitre I : Techniques et technologies de localisation
Il contrôle les droits d’accès au réseau, les droits des usagers et assure l’interface
homme-machine d’exploitation. Il gère aussi le maintien en conditions opérationnelles du
réseau et la remontée des alarmes, permet à l’exploitant d’administrer et de gérer son réseau.
A ces trois sous-systèmes propres au réseau, il faut ajouter bien sûr le poste mobile
(MS, Mobile Station) [8] [9].
4
Chapitre I : Techniques et technologies de localisation
Le tableau suivant montre les différents composants de ces trois sous-systèmes et leurs
fonctionnements [9].
BTS Base Transceiver Station Station de base réceptionnant les appels entrant et
sortant des ME.
HLR Home Location Register Base de données sur l’identité et la localisation des
abonnés.
VLR Visitor Location Register Base de données sur les visiteurs du réseau.
SIM Sim Identity Module Carte SIM identifiant l’abonné sur un réseau défini.
Dans le réseau GSM, les stations de base ne sont pas synchronisées entre elles, or les
méthodes de localisation temporelles nécessitent que les stations de base soient synchrones.
Des éléments notés LMU (Location Measurement Unit) sont installés pour fournir une
synchronisation entre ces différentes stations de base. Dans certains environnements, comme
en rural, très peu de stations de base sont disponibles. Ceci rend très difficile une localisation
très précise. Si une seule station de base est disponible, la meilleure localisation que l’on peut
attendre, est celle à la cellule ou voir au secteur lié à cette station de base [10].
5
Chapitre I : Techniques et technologies de localisation
Les LMU sont des éléments hardware supplémentaires rajoutés au réseau GSM pour
réaliser des mesures précises de différences de temps entre les signaux provenant des
différentes BTS. Le LMU mesure les différences de temps relatives entre chacune des BTS à
partir des burst émis périodiquement et de façon prévisible. Les données remontant des LMU
sont utilisées par le système pour déterminer la position du mobile. Le standard GSM définit
deux modes de fonctionnement pour ces LMU. Il existe deux types de LMU (figure 3) :
- Les LMU de type A: les LMU de type A sont des LMU dont les échanges avec le
réseau GSM s’effectuent par l’intermédiaire d’une interface radio sans fil.
- Les LMU de type B: les LMU de type B sont des LMU interrogeables par le BSC
(Base Station Controller) à travers l’interface Abis. Ces deux types de LMU sont
supportés par le standard GSM [11].
6
Chapitre I : Techniques et technologies de localisation
Figure 4. Schéma synoptique des blocs fonctionnels d’un système de positionnement [12].
7
Chapitre I : Techniques et technologies de localisation
La position géographique d’un mobile peut être effectuée selon des différents procédés
techniques permettant de localiser automatiquement le terminal. Une localisation manuelle est
également possible. Dans ce procédé c’est l’utilisateur lui-même qui saisit sa position
géographique sur son terminal. Compte tenu des avancées technologiques et du peu de
praticité de ce principe, ce mode de localisation présente peu d’intérêt aujourd’hui. On
observe deux catégories de moyens de localisation, la géolocalisation utilisant le
positionnement par satellite et celle utilisant les réseaux de communication mobiles [13] [14].
La localisation en espace libre est dominée par le système GPS. Ce système a été
développé par le département de la défense des états –unis au début des années 70 pour des
applications militaires, l’objectif étant de permettre aux combattants de connaitre leur
positionnement sur le terrain avec une précision. Les spécifications concernant la sécurité et la
8
Chapitre I : Techniques et technologies de localisation
disponibilité sur toute la surface du globe ont conduit à l’implémentation d’un système passif
de réception des signaux provenant d’une constellation de satellites, en 1990 le signal des
satellites est devenu disponible pour le secteur public à des fins commerciales [2].
Dans ces systèmes l’objet mobile est localisé à l’aide de récepteurs des signaux
satellitaires. Du fait que les satellites couvrent d'énormes zones géographiques, le
positionnement par satellites peut déterminer l'emplacement d'une cible sur un continent tout
entier, voire le monde entier. On peut citer le système américain GPS qui fonctionne avec au
moins 24 satellites et qui permet ainsi une couverture mondiale, le système européen Galileo
ou le système russe GLONASS (Global Navigation Satellite System) [14] [16].
Le principe de base du positionnement par satellite repose sur la trilatération spatiale.
L'observation des signaux provenant des satellites permet de mesurer la distance entre le
mobile et chacun des satellites observés. Connaissant la position de chaque satellite dans
l'espace, on peut calculer la position du mobile [15] [17].
Cette méthode est basée sur la mise en œuvre d’un positionnement global par satellite.
Aujourd’hui la localisation utilisant cette méthode est permise par le système GPS (Global
Positioning System), technologie créée par le ministère de la Défense des Etats-Unis, qui
permet de localiser un terminal GPS à l’aide d’une constellation de 24 satellites [15] [16].
Les satellites envoient des signaux vers le téléphone mobile qui les capte et détermine
lui-même sa position en fonction du temps mis par les signaux des différents satellites pour
parvenir au terminal. La précision de la location est très fine, de l’ordre de 10 à 20 mètres.
Cependant, ce système présente deux inconvénients majeurs. La localisation n’est en effet pas
possible lorsque le téléphone ne capte plus les ondes des satellites, ce qui est le cas à
l’intérieur de bâtiments ou encore des rues étroites en milieu urbain. De plus, il suppose
l’intégration d’une puce GPS, ce qui représente un surcoût non négligeable et peut être un
frein conséquent pour une utilisation grand public. Un autre moyen de localisation de mobile
est l’utilisation du réseau de communication mobile pour déterminer une position
géographique du terminal [13] [18].
9
Chapitre I : Techniques et technologies de localisation
10
Chapitre I : Techniques et technologies de localisation
Cette méthode est la technique de localisation la plus facile et la moins coûteuse. Elle
consiste à trouver la position géographique de la cellule de la station de base (BTS) pour
connecter avec le téléphone mobile [25] [26].
Cette méthode simple d'identification va s'effectuer à partir de l'adresse de la BTS à
laquelle le mobile est connecté. La BTS repère le mobile pour pouvoir prendre la
communication, il y a l’identification de la carte SIM avant de démarrer la communication.
Chaque cellule BTS sait donc quels portable sont dans son champ de fonctionnement, ces
données sont automatiquement transmises à la BSC puisque que c'est le BSC qui décide
quelle BTS est affecté à chaque mobile [25] [26].
Ces données sont ensuite transmises à une base de données, qui sait donc quelles cartes
SIM sont dans le champ de chaque cellule. Or cette base de données sait aussi l'adresse exacte
de chaque antenne. L'on peut donc connaître la localisation approximative d'une carte SIM.
Mais la précision dépend de la taille des cellules, et peut être très faible dans de nombreux cas
(le diamètre de la cellule GSM est compris entre 2km et 20km) [25] [26].
Cette technique n’est pas très précise et généralement liée à la densité du réseau. La
précision est de l’ordre de 250 mètres en zone urbaine contre une dizaine de kilomètres en
milieu rural. Ce système de localisation est très rapide, qui requiert deux ou trois secondes,
11
Chapitre I : Techniques et technologies de localisation
nécessite des modifications du réseau dont le coût est marginal par rapport au coût de
déploiement du réseau de télécommunication [26].
12
Chapitre I : Techniques et technologies de localisation
aussi que lorsque le mobile se trouve sur la droite reliant les deux stations de base, il devient
difficile de détecter sa position. Pour ces raisons, plus de deux stations de base sont
généralement utilisées pour augmenter la précision de cette technique [26].
La technique de l’angle d’arrivée (angle of arrival-AoA) est basée sur l’exploitation des
angles des signaux émis par le tag mobile à au moins deux tags de référence. La position du
mobile est donnée par l’intersection des droites passant par chaque référence et d’angle les
AoA calculés par rapport à une référence arbitraire. La dimension de chaque faisceau
augmente avec la distance par rapport à l’émetteur, ce que résulte à des erreurs plus
importantes, et si l’émetteur se trouve sur la même ligne des deux récepteurs, l’estimation de
la position n’est plus possible et un autre récepteur supplémentaire est nécessaire pour réaliser
la localisation [25] [26].
La technique de radiolocalisation utilisant l’angle d’arrivée des signaux reçus donne des
erreurs de localisation importantes en milieu interne. En effet, avec les obstacles généralement
présents en milieu interne, on ne peut pas recevoir le signal direct aux stations de base.
L’angle d’arrivée d’un trajet réfléchi est alors pris comme étant celui du trajet direct, ce qui
introduit de larges erreurs. Même en cas de présence du trajet direct, de puissants trajets
réfléchis peuvent causer des interférences avec le trajet direct et introduire d’importantes
erreurs dans l’estimation de l’angle d’arrivée de ce dernier. D’autre part, l’utilisation
d’antennes directionnelles fait que le suivi d’un mobile en mouvement devient difficile car
cela nécessite de rediriger constamment les antennes afin de leur permettre une réception
optimale du signal direct provenant du mobile [25].
Tout ceci fait que la technique de radiolocalisation utilisant l’angle d’arrivée des
signaux n’est pas très utilisée dans les environnements internes, surtout lorsque le profil de
propagation du signal par trajets multiples du milieu est très sévère [27].
13
Chapitre I : Techniques et technologies de localisation
La technique de temps d’arrivée (time of arrival-ToA) est basée sur le principe que les
ondes électromagnétiques se propagent à une vitesse c constante en espace libre (célérité de la
lumière). A partir du temps (t) mis pour que le signal direct arrive de l’émetteur au récepteur
et en sachant la vitesse de propagation, la distance (d) que sépare les capteurs est obtenue
directement par l’équation (1) [28] :
𝑑𝑑 = 𝑐𝑐 ∗ 𝑡𝑡 (1.1)
Il existe deux classes de techniques : «l’aller simple » et « l’aller-retour ». La première
catégorie exige une parfaite synchronisation entre l’émetteur et le récepteur et elle est utilisée
dans le cas des réseaux cellulaires et des communications satellitaires. Elle consiste en
envoyer dans le signal transmis l’instant de l’émission et la position du pont de référence de
l’émetteur. Tandis que la seconde ne nécessite pas de synchronisation et le signal envoyé par
le point de référence est renvoyé par l’objet désirant se localiser avec le temps qui a été utilisé
pour traiter et retransmettre l’information [28] [29].
L’inconvénient majeur de cette technique est la nécessité d’une synchronisation
temporelle efficace entre les points de référence et le récepteur. Un défaut de synchronisation
résulte à des erreurs dans le calcul du temps pris par le signal et en conséquence conduit à des
erreurs de localisation [28] [29].
14
Chapitre I : Techniques et technologies de localisation
indiqué dans la figure 8. Deux hyperboles sont formées à partir de mesures de temps d’arrivée
à partir des récepteurs A, B et C afin d’avoir le point d’intersection P [30] [31].
Comme généralement dans le cas des systèmes utilisant cette technique, les récepteurs
ne sont pas synchronisés avec l’émetteur (comme la technique ToA) mais uniquement entre
eux, la TDoA mesurée ainsi va inclure un offset qui sera en revanche identique à cause de la
synchronisation entre les récepteurs. Une autre méthode d’estimation de la TDoA est la
corrélation entre les signaux reçus aux différents récepteurs, cette méthode est aussi appelée
de Cross-Corrélation Généralisée (CCG) [32].
En résumé, la valeur de TDoA qui est une valeur de différence de temps sur deux
récepteurs distincts peut être calculée par deux techniques différentes :
1. Soustraction de temps d’arrivée (ToA) de chacun des capteurs.
2. Corrélation de deux signaux provenant des capteurs [30] [32].
Le principal inconvénient de cette méthode est que, dans les environnements avec la
présence des multi-trajets les performances se dégradent considérablement [30] [32].
15
Chapitre I : Techniques et technologies de localisation
Figure 9. Localisation par trilatération à partir de trois mesures RSSI [2] [3] [4].
La méthode de RSSI est très utilisée pour les systèmes de localisation urbain, rural et
aussi à l’intérieur. Le principal désavantage de l’utilisation du RSSI est l’imprécision de la
localisation en présence de multi-trajets dans l’environnement. Par exemple, pour la
géolocalisation indoor, il faut estimer les perturbations liées aux obstacles comme les murs,
cloisons, vitres, équipements électromagnétiques, etc. Quand l’application est à l’extérieur les
perturbations sont moindres et le calcul de l’atténuation est simplifié. Par conséquent, les
algorithmes de positionnement basés sur le RSSI sont sensibles à l'estimation des paramètres
de l’environnement. Pendant cette thèse, le RSSI a été choisi comme technique de
localisation, et d’autres méthodes ont été appliquées pour réduire les effets des multi-trajets
sur l’erreur de localisation [21] [33].
16
Chapitre I : Techniques et technologies de localisation
Techniques de
Avantages Inconvénients
radiolocalisation
Une autre façon de comparer ces systèmes est d’analyser la résolution de ces systèmes,
et dans quelles échelles ils sont normalement employés. La figure 10 fait, un récapitulatif des
techniques de localisation pour chaque environnement.
17
Chapitre I : Techniques et technologies de localisation
8. Estimation de la position
Après la collecte des paramètres, on leur applique des méthodes pour déterminer la
position de la station mobile. Selon la présence d'une base de données (données de formation),
deux types de techniques d'estimation de la position peuvent être envisagées [26] :
Ces techniques utilisent une base de données qui se compose des paramètres de signaux
estimés à des positions connues. La position de la station mobile est alors estimée en
comparant les paramètres des signaux qu’elle reçoit avec ceux de la base. Généralement, la
base de données est obtenue par une formation (hors ligne) avant le début du positionnement
en temps réel [26].
À la différence des techniques précédentes, cette technique requiert une étape de
calibration. Le mot fingerprinting vient du terme ‘fingerprint’ qui signifie empreinte digitale.
Pour fonctionner, cette technique nécessite une base de données qui à certaines positions de
l’environnement considéré associe un ensemble d’éléments caractérisant cette position. Ces
éléments doivent permettre de différencier chacune des positions par rapport aux autres
positions de l’environnement. Si cette condition n’est pas réalisée, dans ce cas les éléments
considérés pour composer cette empreinte ne sont pas significatifs [26].
18
Chapitre I : Techniques et technologies de localisation
Les éléments pouvant être considérés pour composer ces empreintes sont par exemple la
puissance du signal, la réponse impulsionnelle du canal, les directions d’arrivées, les temps
d’arrivée. Une combinaison de plusieurs de ces éléments est envisageable [12].
Ces techniques n’utilisent pas une telle base de données, et estiment la position de la
station mobile directement à partir des paramètres estimés du signal [35].
Les méthodes déterministes appliquent des relations géométriques pour déterminer la
position de la station mobile en utilisant les coordonnées des stations de base qui sont connues
et les distances calculées à partir des paramètres radio. On suppose généralement que les
stations de base, ainsi que le mobile, sont situés dans un plan bidimensionnel (2D) [35].
9. Algorithmes de localisation
19
Chapitre I : Techniques et technologies de localisation
Par construction géométrique, les coordonnées (x, y) de l’objet mobile Tx sont données
par [36] :
⎧ 𝑥𝑥 = tan(𝛽𝛽)
⎪ 𝐷𝐷
tan(𝛼𝛼) + tan(𝛽𝛽) 𝑅𝑅𝑥𝑥 1 −𝑅𝑅𝑥𝑥 2
(1.4)
⎨𝑦𝑦 = tan(𝛼𝛼) tan(𝛽𝛽) 𝐷𝐷
⎪ tan( 𝛼𝛼) + tan(𝛽𝛽) 𝑅𝑅𝑥𝑥 1 −𝑅𝑅𝑥𝑥 2
⎩
9.1.2. La trilateration
9.1.3. La multilateration
La multilateration est un procédé basé sur l’intersection des hyperboles dont les
équations sont obtenues à partir de TDOA. La position en 2D peut être obtenue en utilisant un
minimum de trois récepteurs [32]. L’utilisation des M récepteurs permet d’obtenir les
20
Chapitre I : Techniques et technologies de localisation
équations de M-1 hyperboles, la position de l’objet étant donnée par le point d’intersection de
ces hyperboles. L’utilisation d’un nombre de récepteurs M>4 conduit à un probléme
d’optimisation résolu généralement par la méthode des moindres carrés [37] .ce procédé est
illustrée dans la figure 13 :
Le système d’équations pour une configuration avec trois récepteurs est basé sur les
différences entre les retards mesurés au niveau du chaque récepteur, qui sont exprimées par :
1
⎧𝜏𝜏1 = (�(𝑥𝑥 − 𝑥𝑥1 )2 + (𝑦𝑦 − 𝑦𝑦1 )2 + (𝑧𝑧 − 𝑧𝑧1 )2
⎪ 𝑐𝑐
1
𝜏𝜏2 = (�(𝑥𝑥 − 𝑥𝑥2 )2 + (𝑦𝑦 − 𝑦𝑦2 )2 + (𝑧𝑧 − 𝑧𝑧2 )2 ) (1.6)
⎨ 𝑐𝑐
⎪ 1 2 2 2
⎩ 𝜏𝜏3 = 𝑐𝑐 (�(𝑥𝑥 − 𝑥𝑥3 ) + (𝑦𝑦 − 𝑦𝑦3 ) + (𝑧𝑧 − 𝑧𝑧3 )
Pour chaque paire de récepteurs, connaissant la distance D qui les sépare, la TDOA
appartient à une hyperbole dont l’équation est donnée par [38] :
𝑥𝑥𝑇𝑇2 𝑦𝑦𝑇𝑇2 𝑧𝑧 2
+ + =1 (1.7)
𝑎𝑎2 𝑏𝑏 2 𝑏𝑏 2
𝑑𝑑 𝑖𝑖 −𝑑𝑑 𝑗𝑗
Où 𝑎𝑎 = et 𝑏𝑏 = √𝐷𝐷2 − 𝑎𝑎2 , avec D la distance entre les récepteurs. L’intersection
2𝜋𝜋
Les techniques de multilateration géométrique supposent que les mesures ne sont pas
perturbées par le bruit. Les ambiguïtés d’estimation de la position introduites par la présence
du bruit peuvent être contournées par l’utilisation de techniques heuristiques qui permettent
21
Chapitre I : Techniques et technologies de localisation
d’intégrer d’une façon plus aisée un nombre plus important de récepteurs et améliorer ainsi la
précision. De plus, il est possible de combiner les informations différentes (TOA, AOA,
TDOA) dans un seul ensemble d’équations afin d’améliorer la précision [39].
Si on dispose d’un ensemble de M échantillons au niveau de différents récepteurs
perturbés par du bruit et organisés sous la forme : 𝑟𝑟 = [𝑟𝑟1 , 𝑟𝑟2 … 𝑟𝑟𝑀𝑀 ]𝑟𝑟 , on peut aboutir à
l’estimation de la position par l’intermédiaire des méthodes statiques le vecteur r peut être
exprime sous la forme :
𝑟𝑟 = 𝑓𝑓(𝑥𝑥, 𝑦𝑦) + 𝜂𝜂 (1.8)
Ou 𝑓𝑓(𝑥𝑥, 𝑦𝑦) = [𝑓𝑓1 (𝑥𝑥, 𝑦𝑦) 𝑓𝑓2 (𝑥𝑥, 𝑦𝑦) … 𝑓𝑓𝑀𝑀 (𝑥𝑥, 𝑦𝑦)]𝐻𝐻 est un vecteur contenant les mesures non-
perturbées par du bruit et 𝜂𝜂 = [𝜂𝜂1 𝜂𝜂2 … 𝜂𝜂𝑀𝑀 ] est un vecteur bruit de moyenne nulle. Sa matrice
de covariance exprimée sous la forme: 𝑘𝑘 = 𝐸𝐸{𝜂𝜂𝜂𝜂 𝐻𝐻 }.
Le problème à résoudre est de combiner les M échantillons de manière à minimiser les
effets du bruit ce problème peut être résolu par la méthode des moindres carrés si on note:
𝑞𝑞 = [𝑥𝑥, 𝑦𝑦]𝐻𝐻 , l’optimisation au sens des moindres carrés peut être exprimée sous la forme :
Si la matrice de covariance du bruit K est connue, son inverse peut agir comme facteur
de pondération permettant de mettre en évidence les mesures les moins affectes par le bruit,
on exprime ainsi un problème au sens des moindres carrés pondérés [39] :
La fonction de cout pouvant être exprimée en termes de la distance euclidienne entre les
points ou les directions d’incidence est souvent non-linéaire. Des techniques numériques tel
l’algorithme intérieur réflectif de newton permettent de résoudre ce type de problème [39]
.Comme cette approche nécessite une puissance de calcul importante et peut conduire à des
erreurs à cause d’une convergence vers des minimums locaux, une alternative consiste à
linéariser f(q) autour d’un point de coordonnées connues 𝑞𝑞0 = [𝑥𝑥0 𝑦𝑦0 ]𝐻𝐻 par un développement
en série de Taylor qui conduit à un problème des moindres carrés linéaire.
Une autre approche qui vise à éliminer les inconsistances du système d’équation non-
linéaire causées par les erreurs d’estimation des paramètres est basée sur la vraisemblance
maximale. On peut opter soit pour une approche directe, utilisant les équations non-linéaires,
22
Chapitre I : Techniques et technologies de localisation
soit pour une version approximative qui, dans une étape préliminaire, la linéarité des
équations. Dans le cas de l’utilisation de la TOA comme paramètre du système d’équation, le
vecteur des retards mesurés à un réseau de M récepteurs est exprimé sous la forme :
𝑇𝑇 = [𝑡𝑡1 𝑡𝑡2 … 𝑡𝑡𝑀𝑀 ]𝑇𝑇 = 𝑇𝑇0 + 𝑒𝑒 (1.11)
Ou 𝑇𝑇0 contient les vraies valeurs des retards et e modélise les erreurs additives de mesure
ou d’estimation ses éléments sont considérés comme des variables gaussiennes indépendantes
de moyenne nulle et variance 𝜎𝜎 2 et sa matrice de covariance est donnée par :
𝑄𝑄 = 𝐸𝐸{𝑒𝑒𝑒𝑒 𝑇𝑇 } = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑{𝜎𝜎 2 … 𝜎𝜎 2 } (1.12)
Si on dénote par 𝜃𝜃 = [𝑥𝑥𝑇𝑇 𝑦𝑦𝑇𝑇 ]𝑇𝑇 la position de l’objet mobile et le vecteur des distances
entre l’émetteur et les récepteurs par 𝑟𝑟 = [𝑟𝑟1 𝑟𝑟2 … 𝑟𝑟𝑀𝑀 ]𝑇𝑇 la fonction de densité de probabilité
de T en connaissant par 𝜃𝜃 est exprimée sous la forme :
𝑀𝑀 1 −𝐽𝐽
𝑓𝑓(𝑇𝑇|𝜃𝜃) = (2𝜋𝜋) 2 [det(𝑄𝑄)]−2 𝑒𝑒 2 (1.13)
𝑟𝑟(𝜃𝜃) 𝑇𝑇 𝑟𝑟(𝜃𝜃)
Où 𝐽𝐽 = [𝑇𝑇 − ] 𝑄𝑄−1 �𝑇𝑇 − �. La valeur de 𝜃𝜃 qui minimise J représente
𝑐𝑐 𝑐𝑐
23
Chapitre I : Techniques et technologies de localisation
Des méthodes récentes exploitent la structure géométrique des trajets NLOS qui
subissent une seule interaction avec l’environnement, elles sont généralement combinées avec
la connaissance de la structure bidirectionnelle du canal de propagation en termes de retards et
d’angle d’arrivée et de départ.
Une première approche d’exploitation des chemins NLOS a été donnée dans [41],
l’estimation des paramètres n’est pas considérée, l’hypothèse de base suppose connues la
distance d des trajets reliant l’émetteur au récepteur, leurs directions d’arrivée 𝛽𝛽 et de départ 𝛼𝛼
le trajet direct est supposé inexistant. Bien qu’il ne soit pas mentionné, la méthode utilise
uniquement des trajets qui subissent une seule interaction avec l’environnement.
Un nombre de 𝑀𝑀𝑅𝑅 stations de base, ayant des coordonnées connues, sont supposées
recevoir le signal transmis par l’objet mobile à localiser. Les paramètres du trajet de plus forte
amplitude sont utilisés dans une première étape afin de déterminer la région possible de
l’objet mobile.
Les coordonnées de l’obstacle O(𝑥𝑥0 , 𝑦𝑦0 ) qui a généré le trajet sont nécessaires, elles
sont supposées être données par :
24
Chapitre I : Techniques et technologies de localisation
L’intégralité des récepteurs disposant des paramètres d’au moins un trajet conduit à
travers la méthode des moindres carrés à déterminer la position de l’objet mobile :
𝑁𝑁𝑅𝑅
(𝑥𝑥𝑇𝑇 , 𝑦𝑦𝑇𝑇 ) = arg 𝑚𝑚𝑚𝑚𝑚𝑚(𝑥𝑥 𝑇𝑇, 𝑦𝑦 𝑇𝑇 �(𝑘𝑘𝑖𝑖 𝑥𝑥𝑇𝑇 + 𝑏𝑏𝑖𝑖 − 𝑦𝑦𝑇𝑇 )2 (1.17)
𝑖𝑖=1
10. Conclusion
Les paramètres de localisation, telles que les AOAs, TOAs et les TDOAs doivent
d'abord être mesurés avec précision avant d’être utilisés par un algorithme adéquat pour
calculer une estimation de la position du MS. On conclue que le processus de calcul de
l’estimation de la position comporte deux parties. La première partie consiste à estimer des
paramètres de localisation et la deuxième partie consiste à utiliser des méthodes faisant appel
à ces mêmes paramètres pour estimer la position de la station mobile. L’utilisation d’un type
particulier de mesures définit une certaine technique.
25
Chapitre II
Le Filtre de Kalman
étendu EKF-IMM
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
1. Introduction
26
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
Le terme «filtrage optimal» désigne la méthodologie utilisée pour estimer l'état d'un
système variable dans le temps, d'où nous observons des mesures bruyantes indirectes.
L'état se réfère à l'état physique, qui peut être décrit par des variables dynamiques, telles
que la position, la vitesse et l'accélération d'un objet en mouvement. Le bruit dans les
mesures signifie qu'il y a un certain degré d'incertitude. Le système dynamique évolue en
fonction du temps, et il y a aussi du bruit dans la dynamique du système, du bruit de
traitement, ce qui signifie que le système dynamique ne peut pas être modélisé de
manière entièrement déterministe. Dans ce contexte, le terme «filtrage» signifie
essentiellement le processus de filtrage du bruit dans les mesures et la fourniture d'une
estimation optimale de l'état compte tenu des mesures observées et des hypothèses sur le
système dynamique. Cette boîte à outils fournit des outils de base pour estimer l'état d'un
système dynamique linéaire, le filtre de Kalman, ainsi que le filtre Kalman étendu
(EKF), peuvent être utilisés pour estimer l'état des systèmes dynamiques non linéaires.
De même, les contreparties plus lisses des filtres sont fournies. Le lissage Consiste à
déterminer à chaque instant une estimation qui s’accorde le mieux avec les nouvelles et
anciennes observations. L’estimation consiste donc à calculer le vecteur d’état qui
intervient dans un système d’équations constituant le modèle d’évolution d’un processus
physique. Le problème donc est de déterminer la loi de probabilité de l’état d’un système
dynamique étant donné que les observations sont partiellement bruitées [55] [56] [57].
27
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
Nous ne disposons pas d’accès au deux premiers blocs, car ils sont considérés
comme une boite noire. L’unique variable qui est à notre disposition c’est l’observation
(mesure) entachée d’erreurs [55] [56] [57].
28
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
Où 𝑥𝑥�(𝑘𝑘|𝑘𝑘) est l’état estimé à l’instant k de l’état 𝑥𝑥(𝑘𝑘) . L’erreur d’estimation est définie
par :
𝑥𝑥�(𝑘𝑘) = 𝑥𝑥(𝑘𝑘) − 𝑥𝑥�(𝑘𝑘|𝑘𝑘) (2.4)
Il s’agit donc de minimiser la quantité :
𝑝𝑝(𝑘𝑘|𝑘𝑘) est appelée matrice de covariance de l’erreur d’estimation. Le filtre de Kalman est
donc un filtre à variance minimale.
La mesure prédite est donnée par:
29
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
Cette relation exprime le fait que la nouvelle estimation du vecteur d’état à l’instant
k+1 est une mise à jour de l’estimation à l’instant k. Cette mise à jour tient compte de
l’écart entre la mesure effective et la mesure prédite.
Il faut donc déterminer le paramètre 𝐾𝐾(𝑘𝑘 + 1) pour la mise à jour de sorte que
l’erreur au sens des moindres carrés entre le vecteur d’état et son estimé soit minimale.
Le paramètre 𝐾𝐾(𝑘𝑘 + 1) est appelé gain du filtre de Kalman. On montre que le gain de
Kalman 𝐾𝐾(𝑘𝑘 + 1) est donné par :
𝐾𝐾(𝑘𝑘 + 1) = 𝑝𝑝(𝑘𝑘 + 1|𝑘𝑘)𝐻𝐻(𝑘𝑘 + 1)𝑇𝑇 𝑆𝑆(𝑘𝑘 + 1)−1 (2.9)
La figure 16 résume un cycle de calcul de l’état estimé d’un système linéaire par le
filtre de Kalman [58] [59] [60] [61].
Figure 16. Un cycle de calcul de l’état estimé d’un système linéaire par le filtre de
Kalman [61] [62].
30
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
Une estimation précise de l'état des cibles avec une dynamique changeante peut être
réalisée grâce à l'utilisation de plusieurs modèles de filtre. L'algorithme IMM fournit une
structure pour gérer efficacement plusieurs modèles de filtre. La conception d'un IMM
nécessite la sélection du nombre et du type de modèles de filtre et la sélection de chacun
des paramètres de filtre [58] [59] [60] [61].
L'IMM est le plus utilisé dans les applications de poursuite d’une cible
manouvrante, en raison du bon compromis qu'il réalise entre performance et complexité.
Il est approprié aux problèmes de poursuite d’une cible à l'aide de plusieurs capteurs. Il
consiste à utiliser un ensemble fini de modèles pouvant décrire tous les mouvements
possibles que peut effectuer une cible. Un ensemble de modèles fonctionnant en parallèle
et interagissant entre eux est utilisé pour décrire voir même les mouvements dont le
modèle n'est pas disponible. Les modèles utilisés peuvent avoir différentes structures de
forme récursive et modulaire avec une charge de calcul fixe. Chaque cycle contient trois
étapes essentielles: interaction (mixage), filtrage, et mélange. A l’instant k, l’initialisation
de l'ensemble des filtres, chacun correspondant à un modèle particulier, est effectuée en
mixant les estimées fournies par les différents filtres à l'instant précédent. Les différents
filtres opèrent en parallèle délivrant chacun l’état prédit et l’état estimé et leurs
covariances. L’état estimé global est alors obtenu en pondérant les états estimés
individuels par les probabilités des différents modèles. La covariance de l’état estimé
global est également évaluée en utilisant ces probabilités [58] [59] [60] [61].
Dans cette approche, un ensemble de modèles est utilisé pour décrire le mouvement
d'une cible. La transition d'un modèle à un autre peut avoir lieu à n’importe quel instant
en suivant une chaîne de Markov [58] [59] [60] [61].
L'IMM basé sur le filtre de Kalman (EK-IMM) est utilisé pour l'estimation de la
position d'une MS avec la fusion de données entre la mesure du TOA et la mesure de la
RSS dans un environnement sans fil. Le filtre Kalman étendu est utilisé pour l'estimation
non linéaire. L'IMM est utilisé comme un basculement entre les états LOS et NLOS, qui
31
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
sont considérés comme un processus de Markov avec deux modes interactifs [44]
[45] [46].
7. Modèle de mesure
32
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
On suppose qu'il existe des 𝐾𝐾 𝐵𝐵𝐵𝐵𝐵𝐵 pour détecter le signal reçu de MS dans un
environnement de propagation radio micro cellulaire urbain. (𝑋𝑋0 (𝑛𝑛),𝑌𝑌0 (𝑛𝑛)) est la
coordonnée de la MS à l’instant 𝑛𝑛. La mesure de la distance 𝑟𝑟𝑘𝑘 (𝑛𝑛) correspondant au TOA
33
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
𝑟𝑟𝑘𝑘 (𝑛𝑛) = 𝑑𝑑𝑘𝑘 (𝑛𝑛) + 𝑤𝑤𝑑𝑑𝑑𝑑 (𝑛𝑛) = 𝑑𝑑𝑐𝑐𝑐𝑐 + 𝑑𝑑𝑟𝑟𝑟𝑟 (𝑛𝑛) + 𝑤𝑤𝑑𝑑𝑑𝑑 (𝑛𝑛), 𝑘𝑘 = 1, … , 𝐾𝐾 (2.13)
Où 𝑤𝑤𝑝𝑝𝑝𝑝 (𝑛𝑛) est le bruit de mesure du RSS modélisé comme AWGN d'une moyenne
nulle et variance 𝜎𝜎𝑝𝑝2 , g est le point de rupture avec une portée de 150 à 300 m, et les
paramètres a et b déterminent les pentes avant et après le point de rupture,
respectivement.
La mesure de puissance 𝑝𝑝𝑘𝑘 (𝑛𝑛) correspondant aux données RSS entre BS K et MS à
l'instant n sous la condition NLOS peut être modélisée comme [47] [48] :
𝑏𝑏
𝑎𝑎
𝑑𝑑𝑐𝑐𝑐𝑐 𝑏𝑏 (𝑑𝑑𝑘𝑘 (𝑛𝑛) − 𝑑𝑑𝑐𝑐𝑐𝑐 )
𝑝𝑝𝑘𝑘 (𝑛𝑛) = 10 log �𝑑𝑑𝑐𝑐𝑐𝑐 �1 + � (𝑑𝑑𝑘𝑘 (𝑛𝑛) − 𝑑𝑑𝑐𝑐𝑐𝑐 )𝑎𝑎 × �1 + � �
𝑔𝑔 𝑔𝑔
34
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
Pour améliorer les performances, les mesures du TOA et la RSS sont utilisées
simultanément pour l'estimation de localisation.
Pour simplifier, ces mesures sont formulées sous la forme vectorielle suivante.
• Pour le cas LOS:
𝑑𝑑𝑘𝑘 (𝑛𝑛) 𝑏𝑏
𝑝𝑝 (𝑛𝑛) 10 log �𝑑𝑑𝑘𝑘𝑎𝑎 (𝑛𝑛) �1 + � � 𝑤𝑤𝑝𝑝𝑝𝑝 (𝑛𝑛)
𝑧𝑧𝑘𝑘 (𝑛𝑛) = � 𝑘𝑘 �=� 𝑔𝑔 �+� � , 𝑘𝑘 = 1, … , 𝐾𝐾 (2.16)
𝑟𝑟𝑘𝑘 (𝑛𝑛) 𝑤𝑤𝑑𝑑𝑑𝑑 (𝑛𝑛)
𝑑𝑑𝑘𝑘 (𝑛𝑛)
Les équations (2.16) et (2.17) s'appellent les modèles multiples et les mesures de
fusion de données dans cette méthode. Les bruits de mesure 𝑤𝑤𝑝𝑝𝑝𝑝 (𝑛𝑛) et 𝑤𝑤𝑑𝑑𝑑𝑑 (𝑛𝑛) sont
supposés indépendants. Les techniques de fusion de données exploitent les mesures
indépendantes pour créer des estimateurs qui ont une précision supérieure à celles basées
sur une mesure unique. Étant donné que les mesures dans (2.16) et (2.17) sont non
linéaires avec les conditions de LOS et de NLOS, le schéma d'estimation IMM-EKF est
utilisé pour traiter l'estimation non linéaire [47] [48].
À partir des modèles de mesure de la distance dans (2.16) et (2.17), nous supposons
que trois BS sont utilisées pour détecter le signal de la MS (c'est-à-dire K = 3). Un
vecteur d'état selon BS K est Défini par :
35
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
𝑑𝑑𝑘𝑘 (𝑛𝑛) 𝑏𝑏
𝑝𝑝 (𝑛𝑛) 10 log �𝑑𝑑𝑘𝑘𝑎𝑎 (𝑛𝑛) �1 + � � 𝑤𝑤𝑝𝑝𝑝𝑝 (𝑛𝑛)
𝑧𝑧k (𝑛𝑛) = � 𝑘𝑘 �=� 𝑔𝑔 �+� �. (2.19)
𝑟𝑟𝑘𝑘 (𝑛𝑛) 𝑤𝑤𝑑𝑑𝑑𝑑 (𝑛𝑛)
𝑑𝑑𝑘𝑘 (𝑛𝑛)
𝑏𝑏
𝑎𝑎
𝑑𝑑𝑐𝑐𝑐𝑐 𝑏𝑏 (𝑑𝑑𝑘𝑘 (𝑛𝑛) − 𝑑𝑑𝑐𝑐𝑐𝑐 )
𝑝𝑝𝑘𝑘 (𝑛𝑛) 10 log �𝑑𝑑𝑐𝑐𝑐𝑐 �1 + � (𝑑𝑑𝑘𝑘 (𝑛𝑛) − 𝑑𝑑𝑐𝑐𝑐𝑐 )𝑎𝑎 �1 + � �
𝑧𝑧k = � �=� 𝑔𝑔 𝑔𝑔 �
𝑟𝑟𝑘𝑘 (𝑛𝑛)
𝑑𝑑𝑘𝑘 (𝑛𝑛)
𝑤𝑤𝑝𝑝𝑝𝑝 (𝑛𝑛)
+� � (2.20)
𝑤𝑤𝑑𝑑𝑑𝑑 (𝑛𝑛)
1 𝑇𝑇𝑠𝑠 𝑇𝑇𝑠𝑠2 /2
𝐹𝐹 = � �, 𝐶𝐶 = � �. (2.21)
0 1 𝑇𝑇𝑠𝑠
𝑇𝑇𝑠𝑠 est la période d'échantillonnage, et 𝑣𝑣𝑘𝑘 (𝑛𝑛) est le bruit de conduite du processus en
raison de l'accélération de la MS. Notez que le terme 𝑑𝑑𝑘𝑘 (𝑛𝑛) dans (2.17) défini dans (2.13)
est différent de celui de (2.16) défini dans (2.12). Le problème de mesure de portée sera
réduit au problème d'estimation d'état non linéaire du système à deux modes présenté
dans (2.19) et (2.20) [47] [48].
8. IMM-EKF
8.1. Estimation de la distance par l'IMM-EKF
Il existe deux équations d'état dynamiques pour modéliser le signal du mobile dans
(2.19) et (2.20). La transition LOS / NLOS est modélisé en tant que processus de Markov
à deux états. L'état 𝜃𝜃𝑘𝑘 (𝑛𝑛) pour la kth BS est estimé simultanément par deux EKF en
parallèles sur la base des modes correspondants (c'est-à-dire les filtres LOS et NLOS).
Les probabilités du mode de la condition actuelle peuvent être calculées et mis à jour par
une fonction de vraisemblance via les erreurs d'estimation respectives. Ensuite,
l'algorithme IMM-EKF combine les résultats d'estimation des deux EKF en parallèles, en
36
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
Pour décrire l'interaction de l'IMM, d'abord les termes suivants sont définis:
∀k ∈ [1 pour BS1, 2 pour BS2 et 3 pour BS3], i, j ∈ [1 pour le filtre LOS, 2 pour le filtre
NLOS].
Les états à mode multiple, issus de l'estimation précédente, sont mélangés à ce
stade. Si le mode actuel peut être précisément estimé, l'erreur d'estimation sera réduite
pendant le changement de mode.
Nous supposons que toutes les probabilités de transition sont bien connues. La
probabilité de mélange du mode i au mode j peut être exprimée par:
𝜃𝜃�𝑘𝑘,0𝑗𝑗 (𝑛𝑛 − 1|𝑛𝑛 − 1) = � 𝜃𝜃�𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1)µ𝑘𝑘,𝑖𝑖|𝑗𝑗 (𝑛𝑛 − 1|𝑛𝑛 − 1) (2.24)
𝑖𝑖
37
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
𝑃𝑃𝐾𝐾,0𝑗𝑗 (𝑛𝑛 − 1|𝑛𝑛 − 1) = � �𝑃𝑃𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1) + �𝜃𝜃�𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1) − 𝜃𝜃�𝑘𝑘,0𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1)�
𝑖𝑖
𝑇𝑇
× �𝜃𝜃�𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1) − 𝜃𝜃�𝑘𝑘,0𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1)� � × µ𝑘𝑘,𝑖𝑖|𝑗𝑗 (𝑛𝑛 − 1|𝑛𝑛 − 1) (2.25)
𝜃𝜃�𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1)et 𝑃𝑃𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1) sont la matrice d'estimation d'état et de covariance
pour le filtre du ième mode au temps 𝑛𝑛 − 1, respectivement. 𝜃𝜃�𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1) et
𝑃𝑃𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1|𝑛𝑛 − 1) sont fournis par l'étape du mode précédent par l'EKF [53] [54].
∀k ∈ [1 pour BS1, 2 pour BS2 et 3 pour BS3], j ∈ [1 pour le filtre LOS, 2 pour le
filtre NLOS]. L'estimation d'état non linéaire est introduite, et la probabilité de mode est
mise à jour à ce stade. De (2.19), (2.20), et l'algorithme de EKF, nous pouvons obtenir :
Où :
𝑒𝑒𝑘𝑘,𝑗𝑗 (𝑛𝑛) = 𝑧𝑧𝑘𝑘,𝑗𝑗 (𝑛𝑛) − ℎ𝑘𝑘,𝑗𝑗 �𝜃𝜃�𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛 − 1)�, 𝑗𝑗 = 1,2 (2.28)
ℎ𝑘𝑘,𝑗𝑗 �𝜃𝜃�𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛 − 1)� pour j=1, 2, sont exprimés en (2.29) et (2.30).
𝑏𝑏
𝜃𝜃�𝑘𝑘,1 (𝑛𝑛|𝑛𝑛 − 1)[1,1]
𝑎𝑎
10 log ��𝜃𝜃�𝑘𝑘,1 (𝑛𝑛|𝑛𝑛 − 1)[1,1]� �1 + � �
ℎ𝑘𝑘,1 �𝜃𝜃�� = � 𝑔𝑔 � (2.29)
𝜃𝜃�𝑘𝑘,1 (𝑛𝑛|𝑛𝑛 − 1)[1,1]
38
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
𝑏𝑏
𝑑𝑑 𝑐𝑐𝑐𝑐 𝑏𝑏 𝑎𝑎 �
�𝜃𝜃 (𝑛𝑛|𝑛𝑛−1)[1,1]−𝑑𝑑 𝑐𝑐𝑐𝑐 �
𝑎𝑎
10 log �𝑑𝑑𝑐𝑐𝑐𝑐 (𝑛𝑛) �1 + � �𝜃𝜃�𝑘𝑘,2 (𝑛𝑛|𝑛𝑛 − 1)[1,1] − 𝑑𝑑𝑐𝑐𝑐𝑐 � �1 + 𝑘𝑘,2 � �
ℎ𝑘𝑘,2 �𝜃𝜃� � = � 𝑔𝑔 𝑔𝑔 � (2.30)
𝜃𝜃�𝑘𝑘,2 (𝑛𝑛|𝑛𝑛 − 1)[1,1]
T −1
𝐾𝐾𝑎𝑎,𝑘𝑘,𝑗𝑗 (𝑛𝑛)=𝑃𝑃𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛−1)𝐻𝐻𝑘𝑘,𝑗𝑗 × �𝐻𝐻𝑘𝑘,𝑗𝑗 𝑃𝑃𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛−1)𝐻𝐻k,j + 𝑄𝑄𝑘𝑘 � (2.32)
Où
𝜕𝜕ℎ𝑘𝑘,𝑗𝑗 (𝜃𝜃)
𝐻𝐻𝑘𝑘,𝑗𝑗 = |𝜃𝜃=𝜃𝜃�𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛−1), 𝑗𝑗 = 1,2. (2.34)
𝜕𝜕𝜕𝜕
𝑇𝑇
𝑃𝑃𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛 − 1) = 𝐸𝐸 ��𝜃𝜃𝑘𝑘 (𝑛𝑛) − 𝜃𝜃�𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛 − 1)� × �𝜃𝜃𝑘𝑘 (𝑛𝑛) − 𝜃𝜃�𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛 − 1)� �
𝑇𝑇
𝑃𝑃𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛) = 𝐸𝐸 ��𝜃𝜃𝑘𝑘 (𝑛𝑛) − 𝜃𝜃�𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛)� × �𝜃𝜃𝑘𝑘 (𝑛𝑛) − 𝜃𝜃�𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛)� � (2.37)
Avec :
−1 −1
𝐻𝐻𝑘𝑘,1 = �10[𝑎𝑎𝑎𝑎 + 𝑏𝑏(1 + 𝑑𝑑/𝑔𝑔) /𝑔𝑔]/ ln 10 0� , for d = 𝜃𝜃� (𝑛𝑛|𝑛𝑛 − 1)[1,1] (2.35)
𝑘𝑘,1
1 0
)−1 + 𝑏𝑏(1 + (𝑑𝑑 − 𝑑𝑑𝑐𝑐𝑐𝑐 )/𝑔𝑔)−1 /𝑔𝑔]/ ln 10 0
𝐻𝐻𝑘𝑘,2 = �10[𝑎𝑎(𝑑𝑑 − 𝑑𝑑𝑐𝑐𝑐𝑐 � , for 𝑑𝑑 = 𝜃𝜃�𝑘𝑘,2 (𝑛𝑛|𝑛𝑛 − 1)[1,1] (2.36)
1 0
𝑇𝑇 (𝑛𝑛)}
En outre, la covariance 𝐸𝐸{𝑒𝑒𝑘𝑘,𝑗𝑗 (𝑛𝑛)𝑒𝑒𝑘𝑘,𝑗𝑗 de l'erreur de prédiction de la plage
homogène est exprimée comme :
𝑇𝑇 (𝑛𝑛) 𝑇𝑇
𝐸𝐸�𝑒𝑒𝑘𝑘,𝑗𝑗 (𝑛𝑛)𝑒𝑒𝑘𝑘,𝑗𝑗 = 𝑆𝑆𝑘𝑘,𝑗𝑗 (𝑛𝑛) = 𝐻𝐻𝑘𝑘,𝑗𝑗 𝑃𝑃𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛 − 1)𝐻𝐻𝑘𝑘,𝑗𝑗 + 𝑄𝑄𝑘𝑘 (2.38)
39
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
La fonction de vraisemblance Λ𝑘𝑘,𝑗𝑗 (𝑛𝑛) et la probabilité de mode µ𝑘𝑘,𝑗𝑗 (𝑛𝑛) pour l'EKF
1 1
µ𝑘𝑘,𝑗𝑗 (𝑛𝑛) = Λ𝑘𝑘,𝑗𝑗 (𝑛𝑛) � 𝑝𝑝𝑘𝑘,𝑖𝑖𝑖𝑖 µ𝑘𝑘,𝑖𝑖 (𝑛𝑛 − 1) = Λ𝑘𝑘,𝑗𝑗 (𝑛𝑛)𝑐𝑐̅𝑘𝑘,𝑗𝑗 (2.40)
𝑐𝑐𝑘𝑘 𝑐𝑐𝑘𝑘
𝑖𝑖
Où 𝑁𝑁 �𝑒𝑒𝑘𝑘,𝑗𝑗 (𝑛𝑛); 0, 𝑆𝑆𝑘𝑘,𝑗𝑗 (𝑛𝑛)� désigne la fonction de densité gaussienne de 𝑒𝑒𝑘𝑘,𝑗𝑗 (𝑛𝑛) avec
moyenne nulle et covariance 𝑆𝑆𝑘𝑘,𝑗𝑗 (𝑛𝑛) et 𝐶𝐶𝑘𝑘 est un facteur de normalisation donné par :
Pour que le filtre de Kalman fonctionne, une prédiction doit être faite. En faisant
une prédiction en utilisant le vecteur d’état �θ𝑘𝑘 (𝑛𝑛|𝑛𝑛), une transition possible entre les états
i et j serait ignorée.
Pour résoudre ce problème, un nouveau vecteur d'état �θ𝑘𝑘 (𝑛𝑛|𝑛𝑛) est mélangé. Ce
nouveau vecteur d'état consiste des vecteurs d'état de tous les modèles utilisés et sont
pondérés par leur probabilité de transition [53] [54].
Ce processus est répété pour chaque modèle, produisant un vecteur d'état pour
chaque modèle. Similaire au mélange des vecteurs d'état, la matrice de covariance et les
probabilités sont mélangées. D'une manière plus générale, le processus de mélange peut
être décrit par les relations indiquées ci-dessous [53] [54].
40
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
∀k ∈ [1 pour BS1, 2 pour BS2 et 3 pour BS3], j ∈ [1 le filtre LOS, 2 pour le filtre
NLOS]. L'estimation de vecteur d'état et la matrice de covariance d'erreur de l'estimation
de la distance pour BS K peuvent être obtenues en combinant les résultats de leurs filtres
adaptés au mode en fonction des probabilités de mode respectives. Ils peuvent être
exprimés comme suit:
𝑇𝑇
𝑃𝑃𝑘𝑘 (𝑛𝑛|𝑛𝑛) = � �𝑃𝑃𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛) +× �𝜃𝜃�𝑘𝑘,𝑗𝑗 (𝑛𝑛|𝑛𝑛) − 𝜃𝜃�𝑘𝑘 (𝑛𝑛|𝑛𝑛)� � µ𝑘𝑘,𝑗𝑗 (𝑛𝑛) (2.43)
𝑗𝑗
La probabilité de mode 𝜇𝜇𝑘𝑘,𝑗𝑗 (𝑛𝑛) est très importante pour l'estimation de localisation
de la MS. C'est une pondération de l'interaction et la combinaison de l'estimation de l'état
pour IMM-EKF utilisé. Enfin, l'estimation de la distance de la MS pour chaque BS K peut
être obtenue à partir du vecteur d'état estimé 𝜃𝜃�𝑘𝑘 (𝑛𝑛|𝑛𝑛). De (2.18), il peut être exprimé
comme :
𝑑𝑑̂𝑘𝑘 (𝑛𝑛) = [1 0]𝜃𝜃�𝑘𝑘 (𝑛𝑛|𝑛𝑛), 𝑘𝑘 = 1,2,3. (2.44)
L'emplacement de la MS peut être calculé à partir de 𝑑𝑑𝑘𝑘 (𝑛𝑛) dans (2.44) par
l'estimation précise des distances entre les BS K et la MS. Une méthode pour calculer
l'emplacement mobile est introduite dans la partie suivante [53] [54].
41
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
MS �𝑋𝑋0 (𝑛𝑛), 𝑌𝑌0 (𝑛𝑛)� se trouve à l'intersection de trois cercles. En combinant (2.45) et
(2.46), les termes de second ordre 𝑥𝑥02 (𝑛𝑛) et 𝑦𝑦02 (𝑛𝑛) peuvent être éliminés pour obtenir les
équations de premier ordre suivantes [49] :
(𝑥𝑥0 (𝑛𝑛) − 𝑥𝑥1 )2 + (𝑦𝑦0 (𝑛𝑛) − 𝑦𝑦1 )2 = 𝑑𝑑̂12 (𝑛𝑛) = 𝑑𝑑12 (𝑛𝑛), for LOS
� (2.45)
2
(𝑥𝑥0 (𝑛𝑛) − 𝑥𝑥1 )2 + (𝑦𝑦0 (𝑛𝑛) − 𝑦𝑦1 )2 ≈ 𝑑𝑑𝑐𝑐1 + (𝑑𝑑̂1 (𝑛𝑛) − 𝑑𝑑𝑐𝑐1 )2 = 𝑑𝑑12 (𝑛𝑛), for NLOS
(𝑥𝑥0 (𝑛𝑛) − 𝑥𝑥2 )2 + (𝑦𝑦0 (𝑛𝑛) − 𝑦𝑦2 )2 = 𝑑𝑑̂22 (𝑛𝑛) = 𝑑𝑑22 (𝑛𝑛), for LOS
� (2.46)
2
(𝑥𝑥0 (𝑛𝑛) − 𝑥𝑥2 )2 + (𝑦𝑦0 (𝑛𝑛) − 𝑦𝑦2 )2 ≈ 𝑑𝑑𝑐𝑐2 + (𝑑𝑑̂2 (𝑛𝑛) − 𝑑𝑑𝑐𝑐2 )2 = 𝑑𝑑22 (𝑛𝑛), for NLOS
(𝑥𝑥0 (𝑛𝑛) − 𝑥𝑥3 )2 + (𝑦𝑦0 (𝑛𝑛) − 𝑦𝑦3 )2 = 𝑑𝑑̂32 (𝑛𝑛) = 𝑑𝑑32 (𝑛𝑛), for LOS
� (2.47)
2
(𝑥𝑥0 (𝑛𝑛) − 𝑥𝑥3 )2 + (𝑦𝑦0 (𝑛𝑛) − 𝑦𝑦3 )2 ≈ 𝑑𝑑𝑐𝑐3 + (𝑑𝑑̂3 (𝑛𝑛) − 𝑑𝑑𝑐𝑐3 )2 = 𝑑𝑑12 (𝑛𝑛), for NLOS
De même, les deux autres équations de premier ordre peuvent être obtenues en
combinant (2.45) et (2.47), ainsi que (2.46) et (2.47), c'est-à-dire :
42
Chapitre II : Le Filtre de Kalman étendu EKF-IMM
9. Conclusion
Dans ce chapitre, Nous avons étudié l’application d’un filtre IMM avec la fusion
des données (entre le temps d’arrivé (TOA) et la puissance reçus (RSS)) pour l'estimation
de la localisation mobile dans un environnement sans fil. Le filtre Kalman étendu est
utilisé pour l'estimation non linéaire. Ensuite L'IMM est utilisé comme un commutateur
entre les états LOS et NLOS, qui sont considéré comme un processus de Markov avec
deux modes interactifs. Nous avons traité aussi le modèle de système utilisé et son
équation relative en espace d’état.
43
Chapitre III
Résultats de simulation
Résultats de simulation
1. Introduction
Le véhicule est supposé avoir une vitesse constante de 18 km/h et se déplacer selon la
trajectoire de la figure 17. Donc la trajectoire du véhicule sur le plan x-y est indiquée comme
suit:
𝑥𝑥0 (𝑡𝑡) = 𝑥𝑥0 (0) + 𝑣𝑣𝑥𝑥 (𝑡𝑡) (3.1)
Où les coordonnées (𝑣𝑣𝑥𝑥 , 𝑣𝑣𝑦𝑦 ) représente la vitesse du véhicule dans les deux directions
𝑥𝑥 , 𝑦𝑦, et (𝑥𝑥0 (0), 𝑦𝑦0 (0)) représente la coordonnée initiale de la MS. Ensuite nous supposons
que la vitesse 𝑣𝑣 du véhicule reste constante (𝑣𝑣 2 = 𝑣𝑣𝑥𝑥2 + 𝑣𝑣𝑦𝑦2 ) avec 𝑣𝑣𝑥𝑥 = 5𝑚𝑚/𝑠𝑠 ou 𝑣𝑣𝑦𝑦 = 5𝑚𝑚/𝑠𝑠 ,
avec 𝑥𝑥0 (0) = 0𝑚𝑚 et 𝑦𝑦0 (0) = 50𝑚𝑚. La longueur de trajet de simulation, l'intervalle
d'échantillonnage et le temps d'observation total sont respectivement de 500 m, 0,2 s et 100 s.
Les données de mesure sont générées par la distance réelle et la puissance réelle.
Les positions des BS et les coordonnées du coin sont déjà connues. Le bruit de mesure
est ajouté à la distance pour générer les données de mesure de la distance. Ce bruit de mesure
est supposé AWGN avec une moyenne nulle et un écart type 𝜎𝜎𝑚𝑚 = 15𝑚𝑚 [63]. Le bruit de
mesure en puissance est supposé aussi un AWGN avec une moyenne nulle et un écart
type 𝜎𝜎𝑝𝑝 = 2 𝑑𝑑𝑑𝑑 [62]. Les bruits sont supposés indépendants.
Lorsque la MS se déplace dans un coin de rue, la transition LOS / NLOS se produit pour
chaque BS [47], [48]. Les coordonnées des BSs sont supposées être 𝐵𝐵𝐵𝐵1 (0,0), 𝐵𝐵𝐵𝐵2 (−300,300),
𝐵𝐵𝐵𝐵3 (300,300) dans la figure17. La MS se déplace dans un coin de la rue et tourne à droite.
Cela provoque la transition LOS / NLOS de l'environnement de propagation. Il existe trois BS
pour détecter le signal de la MS.
𝜎𝜎𝑣𝑣2 dans (2.31) représente la variance du bruit de l'accélération du véhicule (MS). Dans
cette simulation on peut choisie la valeur 𝜎𝜎2𝑣𝑣 = 1𝑚𝑚/𝑠𝑠. La valeur initiale de la matrice de
44
Résultats de simulation
Pour toutes les BSs ce choix dépend du fait que le mode LOS ou NLOS de chaque BS
est modifié pour chaque 200 échantillons dans le cas de simulation de transition LOS / NLOS.
Les probabilités de mode initial sont données par 𝜇𝜇𝑘𝑘,1 (0) = 𝜇𝜇𝑘𝑘,2 (0) = 0.5 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑘𝑘 = 1,2,3.
L'environnement est montré dans la figure 17. Ce modèle est largement utilisé pour la
simulation d'un réseau cellulaire dans la région urbaine [49].
4. Résultats de la simulation
4.1. La trajectoire de la MS
400
trajectoire
350
300
250
BS2 BS3
Y(m)
200
150
100
BS1
50
0
-300 -200 -100 0 100 200 300
X(m)
45
Résultats de simulation
700
dk
rkd
600
dk.est
500
400
d[m]
300
200
100
0
0 10 20 30 40 50 60 70 80 90 100
Temps[Sec]
Figure 21. Distance estimée par la fusion de données de (TOA) et (RSS) entre BS1 et MS.
18
Erreur
16
14
12
10
Err[m]
0
0 10 20 30 40 50 60 70 80 90 100
Temps[Sec]
46
Résultats de simulation
650
dk
600 rk2
dk est3
550
500
d[m]
450
400
350
300
250
0 10 20 30 40 50 60 70 80 90 100
Temps[Sec]
Figure 23. Distance estimée par la fusion de données de (TOA) et (RSS) entre BS2 et MS.
30
Erreur
25
20
Erreur [m]
15
10
0
0 10 20 30 40 50 60 70 80 90 100
Temps[Sec]
47
Résultats de simulation
700
dk
rkd3
600
dk.est3
500
400
d[m]
300
200
100
0
0 10 20 30 40 50 60 70 80 90 100
Temps[Sec]
Figure 25. Distance estimé par la fusion de données de (TOA) et (RSS) entre BS3 et MS.
30
Erreur
25
20
Err[m]
15
10
0
0 10 20 30 40 50 60 70 80 90 100
Temps[Sec]
48
Résultats de simulation
Discussion :
Les résultats de simulation obtenus sont présentés aux figures 21, 22, 23, 24 et 25, 26.
Pour les figures 21, 23 et 25, elles contiennent la distance réelle, la distance mesurée et la
distance estimée pour les trois BS respectivement, sous la condition LOS et NLOS. La
propagation en NLOS provoque une erreur d’estimation par rapport à la condition LOS qui
peut dépasser 150 m, mais l’utilisation de la technique IMM-EKF a peut efficacement
minimise l'effet NLOS avec une erreur que ne dépasse pas les 30m.
1000
trajectoire réel
l'état estimé
800 l'état mesuré
600
400
Y(m)
200
-200
-400
-100 -50 0 50 100 150 200 250 300
X(m)
90
Erreur
80
70
60
50
Err[m]
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100
Temps[Sec]
Discussion :
Dans cette simulation on a combiné les trois BS (l’intersection des cercles des trois BS)
pour obtenir la trajectoire estimé de la MS. Le filtre IMM-EKF donne de bons résultats en
termes de précision de localisation avec une erreur moyenne quadratique de 45m.
On constate aussi que l'erreur au début de la localisation est importante (90m). Cela est
dû aux conditions initiales mal choisis.
20
Erreur RSS
18 Erreur Fusion des donneés
16
14
12
Err[m]
10
0
0 10 20 30 40 50 60 70 80 90 100
Tempts[Sec]
Discussion :
50
Résultats de simulation
5. Conclusion
Dans ce chapitre on a discuté les résultats de simulation d'un IMM-EKF utilisé pour la
localisation d'une MS. Ces résultats montrent l'efficacité de cet estimateur à réduire l'erreur de
positionnement surtout dans la condition NLOS. Ces résultats ont montre aussi la sensibilité
de l'IMM-EKF aux conditions initiales. On a constaté aussi que l'introduction de la fusion de
donnée à la phase de mesure a amélioré légèrement les performances du système.
51
Conclusion générale
Conclusion générale
52
Références bibliographiques
Références bibliographiques
53
Références bibliographiques
54
Références bibliographiques
55
Références bibliographiques
[43] S. S. Woo, H. R. You, and J. S. Koh, “The NLOS mitigation technique for position
location using IS-95 CDMA networks,” in Proc. IEEE Veh. Technol. Conf., Sep. 2000, vol. 6,
pp. 2556–2560.
[44] B. L. Le, K. Ahmed, and H. Tsuji, “Mobile location estimator with NLOS mitigation
using Kalman filtering,” in Proc. IEEE Wireless Commun. Netw. Conf., Mar. 2003, vol. 3,
pp. 1969–1973.
[45] H. A. P. Blom and Y. Bar-Shalom, “The interacting multiple model algorithm for
systems with Markovian switching coefficients,” IEEE Trans. Autom. Control, vol. 33, no. 8,
pp. 780–783, Aug. 1988.
[46] E. Mazor, A. Averbuch, Y. Bar-Shalom, and J. Dayan, “Interacting multiple model
methods in target tracking: A survey,” IEEE Trans. Aerosp. Electron. Syst., vol. 34, no. 1, pp.
103–123, Jan. 1998.
[47] J. F. Liao and B. S. Chen, “Robust mobile location estimator with NLOS mitigation
using interacting multiple model algorithm,” IEEE Trans. Wireless Commun., vol. 5, no. 11,
pp. 3002–3006, Nov. 2006.
[48] J. Caffery, Jr. and G.L. Stüber, “Subscriber location in CDMA cellular networks,” IEEE
Trans. Veh. Technol., vol. 47, no. 2, pp. 406–416, May 1998.
[49] G. L. Stuber, Principles of Mobile Communication. New York: SpringerVerlag, 2001.
[50] X. Shen, J. Mark, and J. Ye, “Mobile location estimation in cellular networks using fuzzy
logic,” in Proc. IEEE Veh. Technol. Conf., Sep. 2000, vol. 5, pp. 2108–2114.
[51] X. R. Li and Y. Bar-Shalom, “Performance prediction of the interacting multiple model
algorithm,” IEEE Trans. Aerosp. Electron. Syst., vol. 29, no. 3, pp. 755–771, Jul. 1993.
[52] S. Haykin, Adaptive Filter Theory. Englewood Cliffs, NJ: Prentice–Hall, 2002.
[53] J. M. Mendel, Lessons in Estimation Theory For Signal Processing. Englewood Cliffs,
NJ: Prentice–Hall, 1995.
[54] Bor-Sen Chen, Fellow, IEEE, Chang-Yi Yang, Feng-Ko Liao, and Jung-Feng
LiaoMobile Location Estimator in a Rough Wireless Environment Using Extended Kalman-
Based IMM and Data Fusion, IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY,
VOL. 58, NO. 3, MARCH 2009.
[55] Jung-Feng Liao and Bor-Sen Chen, Fellow, IEEERobust Mobile Location Estimator with
NLOS Mitigation using Interacting Multiple Model Algorithm, IEEE TRANSACTIONS ON
WIRELESS COMMUNICATIONS, VOL. 5, NO. 11, NOVEMBER 2006.
[56] C. A. Bozzo, ‘Le filtrage optimal et ses applications aux problèmes de poursuite’, Tome
III ,1983.
56
Références bibliographiques
[57] Blackman, S. S., and Popoli, R. F. ‘Design and Analysis of Modern Tracking Systems’.
Boston, MA: Artech House, 1999 [CB83_1] C. A. Bozzo, ‘Le filtrage optimal et ses
applications aux problèmes de poursuite’,Tome II, 1983.
[58] C. A. Bozzo, ‘Le filtrage optimal et ses applications aux problèmes de poursuite’, Tome
III ,1983. Filtrekalman optimal.
[59] Y. T. Chan, A. G. C. Hu and J. B. Plant, ‘A Kalman filter based tracking scheme with
input estimation’, IEEE Trans. Aerospace and electronic Systems, Vol. 15, 1979, pp. 237-244.
[60] X. Rong LI, Fellow, Vesselin P. Jilkov, ‘Survey of Maneuvering Target Tracking. Part
V: Multiple-Model Methods’ IEEE Transaction on aerospace and electronic systems vol. 41,
NO. 4 OCTOBER 2005.
[61] Bar-Shalom, Y., Li, X. R., and Kirubarajan, T. ‘Estimation with Applications to Tracking
and Navigation: Theory Algorithms and Software’2001 John Wiley & Sons, Inc. ISBNs: 0-
471-41655-X (Hardback) 0-471-22127-9 (Electronic) , New York, 2001
[62] S. Blackman and R. Popoli, Design and Analysis of Modern Tracking Systems (Artech
House Radar Library). Artech House, 1999.
[63] S. Merigeault, M. Batariere, and J. Patillon, “Data fusion based on neural network for the
mobile subscriber location,” in Proc. IEEE Fall Veh. Technol. Conf., Sep. 2000, pp. 536–541
[64] F. Gustafsson and F. Gunnarsson, “Mobile positioning using wireless networks:
Possibilities and fundamental limitations based on available wireless network measurements,”
IEEE Signal Process. Mag., vol. 22, no. 4, pp. 41–53, Jul. 2005.
57