Modèles d'activité et algorithmes d'estimation Bayésienne pour l'accès aléatoire spontané aux réseaux sans-fil

The new 5G’s wireless networks have started to be deployed all around the world. With them, a large spectrum of services are about to emerge, resulting in new stringent requirements so that 5G targets performances exceed that of 4G by a factor of 10. The services are enhanced mobile broadband (eMBB), ultra reliable and low-latency communication (uRLLC) and massive machine-type communication (mMTC) where each of which has required the ongoing development of key new technologies. Many of these technologies will also play an important role in the emergence of 6G. In this thesis, the focus is on grant-free RA (GFRA) as an enabler of uRLLC and mMTC. GFRA is a new protocol introduced in 5G new radio (5G-NR) for reducing the data overhead of the random access (RA) procedure. This results in a significant reduction in the latencies of the user equipments (UEs) access to a connected medium via an access point (AP). Achieving efficient GFRA is of key importance for many 5G applications, e.g. for large scale internet of things (IoT) wireless networks. The study of new non-orthogonal multiple access (NOMA) signal processing techniques is then considered. Using tools from the theory of Bayesian compressed sensing (CS), algorithms within the family of approximate message passing (AMP) are developed to address the joint active user detection and channel estimation (AUDaCE) problem. It is crucial to properly identify transmitting UEs and guarantee that an AP can reliably transmit back data to the detected UEs. In contrast to existing work on this topic, the AUDaCE is studied for wireless networks where the activity of the UEs is correlated. To this end, two activity models are introduced. The first one models the activity of the UEs in the network with group-homogeneous activity (GHomA). The second model accounts for more general dependence structure via group-heterogeneous activity (GHetA). Approximate message passing algorithms within the hybrid GAMP (HGAMP) framework are developed for each of the models. With the aid of latent variables associated to each group for modeling the activity probabilities of the UEs, the GHomA-HGAMP algorithm can perform AUDaCE for GFRA leveraging such a group homogeneity. When the activity is heterogenous, it is possible to develop GHetA-HGAMP using the copula theory. Extensive numerical studies are performed, which highlight significant performance improvements of GHomA-HGAMP and GHetA-HGAMP over existing algorithms which do not properly account for correlated activity. In particular, the channel estimation and active user detection capability are enhanced in many scenarios with up to a 4dB improvement with twice less user errors. As a whole, this thesis provides a systematic approach to AUDaCE for wireless networks with correlated activities using Bayesian CS.
Les nouveaux réseaux sans fil de la 5G commencent à être déployés dans le monde entier. Avec eux, un large spectre de services émerge, entraînant de strictes exigences de performances qui dépassent celles de la 4G d'un facteur 10. Ces services s'articulent autour du haut débit mobile amélioré (eMBB), de la communication ultra fiable et à faible latence (uRLLC) et de la communication massive de type machine (mMTC). Ils ont tous nécessité le développement de technologies clés qui joueront également un rôle important dans l'émergence de la 6G. Cette thèse met l'accent sur l'accès aléatoire spontané (GFRA) pour l'uRLLC et la mMTC. Le protocole GFRA est introduit pour le standard 5G-NR pour réduire la surcharge de données du RA. Il en résulte une réduction des latences d'accès des équipements utilisateurs (UE) à un point d'accès (AP). L'efficacité du GFRA est d'une importance capitale pour la 5G, par exemple pour l'Internet des objets (IoT). Des techniques de traitement du signal à accès multiple non orthogonal (NOMA) sont donc envisagées. À l'aide de la théorie de l'acquisition comprimée (CS) bayésienne, des algorithmes de la famille du passage de message approximé (AMP) sont développés pour résoudre les problèmes de détection d'utilisateurs actifs et d'estimation du canal (AUDaCE). Cela est crucial pour identifier correctement les UEs émetteurs en garantissant qu'un AP puisse envoyer de manière fiable les données aux UEs détectés. Contrairement aux travaux existants sur ce sujet, l'AUDaCE est étudiée pour des réseaux sans-fil où l'activité des UEs est corrélée. Deux nouveaux modèles d'activité sont introduits. Le premier modélise l'activité des UE par une activité homogène de groupe (GHomA). Le second modèle tient compte d'une structure de dépendance plus générale via l'activité hétérogène de groupe (GHetA). De nouveaux algorithmes à passage de messages approximés de la famille des algorithmes hybride GAMP (HGAMP) sont développés pour chacun des modèles. À l'aide de variables latentes associées à chaque groupe pour modéliser les probabilités d'activité des UE, l'algorithme GHomA-HGAMP peut effectuer l'AUDaCE pour le GFRA en tirant parti d'une telle homogénéité de groupe. Lorsque l'activité est hétérogène, il est possible de développer GHetA-HGAMP en utilisant la théorie des copules. Nos simulations numériques mettent en évidence des améliorations significatives des performances de GHomA-HGAMP et GHetA-HGAMP par rapport aux algorithmes existants, qui ne prennent pas correctement en compte la corrélation dans l'activité. En particulier, l'estimation du canal et la capacité de détection des utilisateurs actifs sont améliorées dans de nombreux scénarios avec une amélioration de 4dB pour l'estimation de canal et deux fois moins d'erreurs de détection. Cette thèse fournit une approche systématique de l'AUDaCE pour les réseaux sans fil avec des activités corrélées en utilisant des outils de la CS bayésienne.