Titre : Méthodes avancées en traitement d’antennes pour la localisation et la détection de multiples drones
Laboratoire d’accueil : SONDRA, Centralesupelec
Mots clés : Estimation robuste, matrice de covariance structurée, M-estimateurs, filtrage spatial, formation de voie, algorithmes MUSIC et ESPRIT.
Nature de la recherche : Théorie, simulations MATLAB/Python, données réelles pour la localisation de plusieurs drones.
Personnes à contacter : Chengfang Ren : chengfang.ren@centralesupelec.fr et Israel Hinostroza : israel.hinostroza@centralesupelec.fr
Voir le sujet du stage en pdf sur ce lien
Résumé : En traitement de signal radar, les méthodes adaptatives pour détecter et localiser des cibles requièrent généralement l’estimation de la matrice de covariance des données. Pour les systèmes haute résolution, l’adéquation des données radars au modèle gaussien n’est généralement plus vérifiée et conduit alors à des dégradations de performance. Par ailleurs, la matrice de covariance peut posséder une structure particulière pour un réseau d’antennes linéaire et uniforme. La prise en compte de ces informations peut améliorer leur performance. Dans ce projet de recherche, nous nous intéresserons aux estimateurs robustes structurés de la matrice de covariance, basés sur la famille des distributions elliptiques [1] et la classe des M-estimateurs [2, 3], notamment les méthodes dites COMET [4], RCOMET [5, 6]. Dans un second temps, nous analyserons les éventuelles améliorations de performances de ces derniers par rapport aux méthodes classiques de formation de voies (beamforming) et
de haute résolution telles que les algorithmes MUSIC [7, 8], ESPRIT [9] et UML [7]. Dans un troisième temps, nous proposerons de tester les algorithmes, qui seront développées tout au long de ce projet, en simulation et sur des données radars collectées pour la localisation de drones (voir Fig. 1).
Ce stage s’inscrit dans une collaboration étroite avec l’ONERA et son équivalent à Singapour. Il peut se déboucher sur une thèse entièrement financée par ces organismes.
Références:
[1] E. Ollila, D. E. Tyler, V. Koivunen, and H. V. Poor, “Complex elliptically symmetric distributions : Survey, new results and applications,” IEEE Transactions on Signal Processing, vol. 60, pp. 5597–5625, Nov. 2012.
[2] R. A. Maronna, “Robust M-estimators of multivariate location and scatter,” The Annals of Statistics, vol. 4, pp. 51–67, Jan. 1976.
[3] J. T. Kent and D. E. Tyler, “Redescending M-estimates of multivariate location and scatter,” The Annals of Statistics, vol. 19, pp. 2102–2119, Dec. 1991.
[4] B. Ottersten, P. Stoica, and R. Roy, “Covariance matching estimation techniques for array signal processing applications,” Elsevier Digital Signal Processing, vol. 8, no. 3, pp. 185–210, 1998.
[5] B. Mériaux, C. Ren, M. N. El Korso, A. Breloy, and P. Forster, “Robust-COMET for covariance estimation in convex structures : algorithm and statistical properties,” in Proc. of IEEE International Workshop on Computational Advances in Multi-Sensor Adaptive Processing (CAMSAP), pp. 1–5, Dec. 2017.
[6] B. Mériaux, C. Ren, M. N. El Korso, A. Breloy, and P. Forster, “Robust estimation of structured scatter matrices in (mis)matched models,” Elsevier Signal Processing, vol. 165, pp. 163–174, Dec. 2019.
[7] P. Stoica and A. Nehora, “Music, maximum likelihood, and cramer-rao bound,” IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37, pp. 720–741, May 1989.
[8] B. D. Rao and K. V. S. Har, “Performance analysis of root-music,” IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37, pp. 1939–1949, Dec. 1989.
[9] R. Roy and T. Kailath, “ESPRIT-estimation of signal parameters via rotational invariance techniques,” IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37, no. 7, pp. 984–995, 1989.