Advanced Linear and Deep Learning based Channel Estimation Techniques in Doubly Dispersive Environments
Techniques avancées d'estimation linéaire et d'apprentissage profond du canal dans des environnements doublement dispersifs
Résumé
Wireless communications revolution plays a significant role in facilitating several
mobile applications like unmanned aerial vehicles, high-speed railway, and vehicular
communications. Particularly, the concept of connected vehicles brings a new level of
connectivity to vehicles. Along with novel on board computing and sensing technologies,
vehicular networks serve as a key enabler of intelligent transportation systems and
smart cities. This new generation of networks have a profound impact on the society,
making every day traveling safer, greener, and more efficient and comfortable. However,
in vehicular environments, the propagation medium between the network nodes is
highly time-varying leading to considerable reliability challenges. In fact, transmitted
signals propagate through multiple paths, each with a different delay, attenuation, in
addition to Doppler shift effect resulting from the motion of vehicles and the surrounding
environment. Ensuring communication reliability by the means of accurate channel
estimation in such environments is very important. Therefore, the accuracy of the
channel estimation influences the system performance, since a precisely estimated
channel response influences the follow-up equalization, demodulation, and decoding
operations at the receiver. In literature, there exists an extensive work on conventional
channel estimation for vehicular communications. However, these conventional estimators
rely on many assumptions that limit their performance in highly dynamic time-varying
channels. Moreover, linear conventional estimators are impractical solutions in real case
scenarios as they rely on statistical models and require high implementation complexity.
Although there exists simple linear estimation with affordable complexity, they lack
robustness in highly dynamic environments. Therefore, investigating estimators with a
good trade-off complexity vs. performance is a significant task. As a prevailing approach
to AI, deep learning (DL) develops efficient methods to analyze data by finding patterns
and learning underlying structures and represents an effective data driven approach to
problems encountered in various scientific fields. The main reason behind integrating
DL in wireless communications is to find solutions to communication problems where
analytical solutions are intractable or highly complex. DL has a strong ability to overcome
this challenge via low-complexity and robust solutions that improve the performance of
wireless systems. Additionally, the GPU-based distributed processing enables the DL
employment in real-time applications. As a result, DL can be leveraged to exploit the
data generated in vehicular networks. In this context, this thesis aims to investigate
how to adapt such tools to account for the characteristics of high mobility vehicular
networks. We show that integrating optimized DL architectures brings low-complexity
solutions for vehicular channel estimation either by improving the performance compared
to the simplified linear channel estimators, or by approaching the performance of
complex robust model-based estimators with feasible implementation. Therefore, unlike
conventional estimators, DL-based estimators provide a good trade-off between the
computational complexity and the system performance. Moreover, the generalization
ability gives robustness to the system when deployed in highly dynamic environments.
La révolution des communications sans fil joue un rôle important dans la facilitation
de plusieurs applications mobiles telles que les drones, les trains à grande vitesse et les
communications entre véhicules. En particulier, le concept de véhicules connectés apporte
une bonne connectivité aux véhicules. En plus des nouvelles technologies de calcul et de
détection embarquées, les réseaux de véhicules servent de catalyseur clé aux systèmes
de transport intelligents et aux villes intelligentes. Cette nouvelle génération de réseaux
a un impact profond sur la société, rendant chaque jour les déplacements plus sûrs,
plus écologiques, plus efficaces et plus confortables. Cependant, dans les environnements
véhiculaires, le milieu de propagation entre les nœuds du réseau varie fortement dans le
temps, ce qui pose des problèmes de fiabilité. En fait, les signaux transmis se propagent sur
plusieurs chemins, chacun avec un retard et une atténuation différente, en plus de l’effet de
décalage Doppler résultant du mouvement des véhicules et de l’environnement. Il est très
important de garantir la fiabilité de la communication au moyen d’une estimation précise
des canaux dans de tels environnements. Par conséquent, la précision de l’estimation
de canal influence les performances du système, car une réponse de canal estimée avec
précision influence les opérations d’égalisation, de démodulation et de décodage au niveau
du récepteur. Dans la littérature, il existe plusieurs travaux sur les méthodes classiques
d’estimation du canal pour les communications véhiculaires. Cependant, ces estimateurs
conventionnels reposent sur de nombreuses hypothèses qui limitent leurs performances
dans les canaux hautement dynamiques variant dans le temps. De plus, les estimateurs
linéaires conventionnels sont des solutions peu pratiques dans des scénarios de cas réels
car ils reposent sur des modèles statistiques qui nécessitent une complexité élevée.
Bien qu’il existe des estimateurs linéaires simples avec une complexité abordable, ils
manquent de robustesse dans les environnements très dynamiques. Par conséquent, étudier
des estimateurs avec un bon compromis complexité/performance est une problématique
importante à investir. En tant qu’approche dominante de l’IA, l’apprentissage profond
développe des méthodes efficaces pour analyser des données en apprenant efficacement
les structures pour plusieurs problèmes rencontrés dans divers domaines scientifiques.
La principale raison de l’intégration de l’apprentissage profond dans les communications
sans fil est de trouver des solutions aux problèmes de communication lorsque les solutions
analytiques sont insolubles ou très complexes. L’apprentissage profond a une forte capacité
à relever ce défi grâce à des solutions peu complexes et robustes qui améliorent les
performances des systèmes sans fil. De plus, le traitement distribué basé sur GPU
permet l’utilisation de l’apprentissage profond dans des applications à temps réel. En
conséquence, l’apprentissage automatique s’exploite pour les différentes données générées
dans les réseaux véhiculaires. Dans ce contexte, cette thèse vise à étudier comment adapter
de tels outils pour tenir compte des caractéristiques des réseaux de véhicules à haute
mobilité. Nous montrons que l’intégration d’architectures optimisées d’apprentissage
profond apporte des solutions de faible complexité pour l’estimation de canaux des
réseaux véhiculaires soit en améliorant les performances par rapport aux estimateurs
de canaux linéaires, soit en approchant les performances d’estimateurs robustes tout en
réduisant la complexité d’implémentation. Par conséquent, contrairement aux estimateurs
conventionnels, les estimateurs basés sur l’apprentissage profond offrent un bon compromis
entre la complexité de calcul et les performances du système. De plus, la capacité
de généralisation rend le système plus robuste surtout quand il est déployé dans des
environnements hautement dynamiques.
Origine : Fichiers produits par l'(les) auteur(s)