Soutenance de thèse : Lélio CHETOT

Activity Models and Bayesian Estimation Algorithms for Wireless Grant-Free Random Access

Doctorant : Lélio CHETOT

Laboratoire INSA : CITI
Ecole doctorale : ED160 : Electronique, Electrotechnique, Automatique

Les nouveaux réseaux sans fil 5G ont commencé récemment à être déployés dans le monde. De leur arrivée émerge un large spectre de nouveaux services dont les stricts prérequis de performances représentent dix fois ceux de la 4G. Ils sont articulés autour des usages eMBB, uRLLC et mMTC qui nécessitent le développement de technologies clés qui joueront également un rôle important dans l'émergence de la 6G.
Cette thèse se focalise sur l'accès aléatoire spontané (GFRA) comme un facilitateur de l'uRLLC et de la mMTC. Ce nouveau protocole introduit pour la version New Radio de la 5G vise à réduire le surplus de données et la latence d'accès d'un utilisateur (UE) à un point d'accès (AP).
Atteindre un GFRA efficace est capital pour les applications 5G. L'étude de techniques NOMA est donc considérée en empruntant à la théorie de l'acquisition comprimée (CS) bayésienne. Ainsi, de nouveaux algorithmes à échange généralisé de messages approximés (GAMP) ont été développés pour résoudre le problème de détection d'utilisateur actifs et d'estimation de canal (AUDaCE). Le premier est crucial pour identifier les UEs transmettant dans des réseaux denses à large échelle; le second est important puisqu'il permet à un AP de transmettre des données aux UEs détectés de façon fiable.
Contrairement aux travaux existants sur le sujet, cette thèse étudie le problème d'AUDaCE où l'activité des UEs est supposée corrélée, ce qui serait typiquement le cas pour des réseaux densément peuplés. Pour cela, deux nouveaux modèles d'activité sont présentés. Ils supposent respectivement une activité caractérisée par des groupes d'activité homogène et hétérogène (GHomA et GHetA).
Pour chaque modèle, un algorithme hybride GAMP (HGAMP) est développé en utilisant des variables latentes corrélées. Tout deux conduisent à une amélioration significative des performances de détection et estimation par rapport à celles d'algorithmes existants de même nature.