Localisation basée sur l'UWB améliorée par l'apprentissage supervisé

Abstract

Cette mémoire s'intéresse à l'amélioration de la précision de la localisation en environnement intérieur (Indoor), un domaine où le système GPS standard s'avère inefficace. L'objectif principal de ce travail est de concevoir un système d'estimation de trajectoires pour des objets mobiles ou fixes en s'appuyant sur la technologie Ultra-Wideband (UWB). Bien que l'UWB offre une excellente résolution temporelle, ses performances restent fortement dégradées par les phénomènes de multi-trajets et la non-linéarité des signaux en présence de bruit. Pour pallier ces limites, nous proposons l'intégration d'algorithmes d'apprentissage supervisé issus de l'intelligence artificielle. Après une étude comparative des techniques géométriques classiques telles que le TOA et le TDOA, nous avons implémenté et simulé une approche intelligente. Les résultats de simulation obtenus démontrent la capacité des modèles entraînés à corriger les erreurs de mesure et à prédire avec précision les coordonnées tridimensionnelles (X, Y, Z) des cibles. Cette approche hybride surpasse les méthodes traditionnelles en termes de robustesse face aux environnements non-linéaires complexes. Pour surmonter ces défis, ce travail propose une approche intelligente basée sur l'intégration des algorithmes d'apprentissage supervisé (Intelligence Artificielle). L'objectif principal est de modéliser et de corriger ces perturbations non linéaires afin de prédire avec exactitude les paramètres de positionnement. La phase pratique et méthodologique de cette étude a été entièrement développée et simulée sous l'environnement Matlab. Elle englobe l'implémentation des algorithmes, l'étape d'apprentissage rigoureuse dédiée à la mise à jour des coefficients de pondération (les poids du réseau), ainsi que la reconstruction des trajectoires. Les résultats de simulation, validés par l'analyse des courbes d'estimation des coordonnées tridimensionnelles (X, Y, Z) pour différents points de test, démontrent une nette supériorité en termes de précision, une réduction significative de l'erreur quadratique moyenne, et une robustesse accrue face aux bruits de mesure par rapport aux méthodes conventionnelles.