EP4073533A1 - Assembly comprising a transmitter location system and a mobile platform; associated transmitter location system, mobile platform and method for measuring direction of arrival - Google Patents

Assembly comprising a transmitter location system and a mobile platform; associated transmitter location system, mobile platform and method for measuring direction of arrival

Info

Publication number
EP4073533A1
EP4073533A1 EP20820438.8A EP20820438A EP4073533A1 EP 4073533 A1 EP4073533 A1 EP 4073533A1 EP 20820438 A EP20820438 A EP 20820438A EP 4073533 A1 EP4073533 A1 EP 4073533A1
Authority
EP
European Patent Office
Prior art keywords
arrival
location system
mobile platform
transmitter location
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP20820438.8A
Other languages
German (de)
French (fr)
Inventor
Hugo SEUTE
Cyrille ENDERLI
Jean-François Grandin
Jean-Marc CHABROUX
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thales SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thales SA filed Critical Thales SA
Publication of EP4073533A1 publication Critical patent/EP4073533A1/en
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/14—Systems for determining direction or deviation from predetermined direction
    • G01S3/46—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems
    • G01S3/48—Systems for determining direction or deviation from predetermined direction using antennas spaced apart and measuring phase or time difference between signals therefrom, i.e. path-difference systems the waves arriving at the antennas being continuous or intermittent and the phase difference of signals derived therefrom being measured
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/023—Monitoring or calibrating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/78—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using electromagnetic waves other than radio waves
    • G01S3/782—Systems for determining direction or deviation from predetermined direction
    • G01S3/783—Systems for determining direction or deviation from predetermined direction using amplitude comparison of signals derived from static detectors or detector systems
    • G01S3/784—Systems for determining direction or deviation from predetermined direction using amplitude comparison of signals derived from static detectors or detector systems using a mosaic of detectors

Definitions

  • the field of the invention is that of systems for locating transmitters, for example in electromagnetic listening devices.
  • electromagnetic listening consists of receiving and measuring the characteristics of electromagnetic signals coming, for example, from a radar transmitter, then performing various processing operations in order to collect strategic information on the transmitters of these signals. Based on this information, an appropriate response can be provided, such as triggering countermeasures.
  • a localization processing makes it possible to obtain information on the position of the transmitter of an electromagnetic signal of interest.
  • Such processing is based on a measure of the direction of arrival - DoA ("Direction of Arrival") of the signal of interest.
  • a measurement of the DoA makes it possible to position the transmitter on a line of sight.
  • the interception of the signal of interest from several distinct positions allows the precise location of the transmitter by cross-checking the various lines of sight obtained.
  • the calibration biases limit the number of measurements which can be integrated during the movement of the wearer. If the measurements were independent of each other, the angular precision obtained on a train of N measurements would be VIV times better than for one measurement. Since calibration biases are strongly correlated with measurement on the other, it is not possible to benefit from this gain in integration in V ⁇ V on the accuracy of the location of the transmitter.
  • the vector direction finding is limited because the polarization and the site are, a priori, neither known nor measured.
  • the antenna environment is not under control.
  • Vector direction finding is also very sensitive to noise and only resolves the case of constant or very slowly varying calibration biases. It does not compensate for the evolution of a defect over time.
  • the aim of the present invention is to solve this problem.
  • the assembly includes one or more of the following characteristics, taken individually or in any technically possible combination:
  • the data stream consists of time samples of the incident signal
  • the mobile platform comprises: a transmitter of a reference radio signal; and a light source; and the transmitter location system comprises: a DoA estimation device, suitable for estimating the true DoA of the reference radioelectric signal, comprising a camera and a DoA estimation module suitable for estimating a true DoA from the images output from the camera; a labeling module making it possible to associate with the data flow produced by the reception chain upon detection of the reference signal, the true DoA estimated by the DoA estimator; and a training database suitable for storing the labeled samples output from the labeling module as training data to properly set up the DoA measurement module;
  • the mobile platform is a drone
  • the transmitter location system operates in the radiofrequency domain
  • the subject of the invention is also a system for locating transmitters capable of cooperating with a mobile platform to constitute an assembly in accordance with the previous assembly.
  • the transmitter locator system uses the transmitter locator system to measure the DoA of any incident signal.
  • FIG. 1 is a schematic representation of an assembly comprising a transmitter location system and a mobile platform according to a preferred embodiment of the invention
  • FIG. 2 is a representation in the form of blocks of a preferred embodiment of a method for estimating the direction of arrival - DoA of an electromagnetic signal of interest using the assembly shown in FIG. 1 .
  • a transmitter location system implements a machine learning algorithm, preferably of the network type. artificial neurons - RNA. This makes it possible to relax the constraints design techniques related to the complex issue of correcting calibration biases for DoA measurement. Indeed, an automatic learning algorithm, once suitably configured by means of training data, allows automatic correction of imperfections affecting the measurements made by the transmitter location system.
  • the antennas are non-linearly spaced so as to be able to resolve ambiguities when the wavelength of the incident signal is short, as is known to those skilled in the art.
  • the spatial distribution of the antennas takes place in two dimensions in order to be able to carry out a measurement of DoA in bearing and in elevation.
  • a receiver 22 comprises, for example, one or more amplifiers, a demodulator, and a serial digitizer. The different receivers 22 are synchronized on a common clock.
  • a receiver 22 which takes the form of an electronic card, performs for example the baseband transposition and the sampling on a 500 MHz band.
  • the central frequency is advantageously adjustable between 2 and 18 GHz.
  • the data stream at the output of the receivers 22 is for example applied to the input of the computer 25 via an Ethernet link.
  • the computer 25 comprises a computing means, such as a processor (for example a multi-core processor or a graphics processor "GPU"), and an information storage means, such as a memory.
  • the memory comprises in particular various computer programs, the instructions of which are specific to be executed by the processor.
  • the computer 25 comprises a preprocessing module 23 and a module for estimating the DoA 24.
  • the preprocessing module 23 which is optional, reduces the size of the data stream at the output of the reception chain 20. It advantageously takes into account certain relevant invariances in the data received, such as for example an invariance in amplitude. , an absolute phase invariance, etc.
  • the transmitter location system 12 includes a DoA measurement module 24 capable of providing a measurement of the DoA of an RF signal of interest intercepted in the environment. This measurement is carried out from the time samples delivered by the reception chain 20 (possibly after preprocessing by the module 23) in an estimation time window.
  • the DoA 24 measurement module implements a "machine learning" algorithm to perform the direction of arrival measurement - DoA.
  • This algorithm which will be described in detail below, requires a learning phase, making it possible to determine the optimal values of the parameters of the module 24.
  • training database comprising training data, training data associating the time samples of an incident signal with the true direction of arrival of this incident signal.
  • a mobile platform is used allowing to move at convenience a transmitter of reference signals coupled to a light source allowing an estimation of the true DoA of the reference signals emitted by the transmitter and detected by the transmitter tracking system 12.
  • the mobile platform is a rotary wing drone 14 on which is embarked:
  • an RF transmitter 52 suitable for transmitting reference RF signals, advantageously with different waveforms (in particular at different frequencies), so as to be representative of the RF signals encountered in actual conditions of use of the system 12 ;
  • an omnidirectional light source 51 such as for example a set of infrared LEDs.
  • the system 12 comprises a measuring device, for example consisting of a camera 31, which is arranged in the vicinity of the antennas 21 of the system 12.
  • the camera 31, preferably wide angle, has a sensitivity adapted to the frequency band of the light signal emitted by the light source 51.
  • the camera 31 operates in the infrared range.
  • the images delivered by the camera are applied to the input of the computer 25, which comprises, among the various programs that it is capable of executing, a DoA estimation module 32 suitable for delivering an estimate of the DoA of the light signal to from the images delivered by the camera 31 and consequently an estimate of the true DoA of the reference RF signal.
  • the module 32 implements a simple image processing algorithm, making it possible to extract the position of a bright point corresponding to the light source, and making it possible to convert this position into a relative position measurement with respect to the system 12, for example a position in two dimensions, typically in bearing and elevation relative to a reference direction associated with the antennas 21.
  • the system 12 comprises, among the different programs that the computer 25 executes, a labeling module 34 making it possible to associate with the time samples delivered by the reception chain 20 when receiving a reference RF signal, the true DoA measured by module 32 at the same time.
  • the system 12 includes a training database 40 suitable for storing the labeled samples delivered at the output of the module 34, as training data.
  • the artificial neural network implemented by the DoA 24 measurement module is advantageously of the MLP (“Multi Layer Perceptron”) type.
  • MLP Multi Layer Perceptron
  • This very simple architecture has a single hidden layer. According to the simulations which have been carried out, thanks to the simplicity of this architecture, good performance is obtained with very reasonable calculation times, both for the learning phase and for the use phase of the system 12.
  • the different layers are completely interconnected.
  • the DoA measurement module therefore advantageously takes as input the phase shifts between the antennas 21 calculated by the module 23.
  • the structure of the input data is as follows: with i the index of the antenna (integer between 1 and the total number of antennas) and j the index of the time sample (integer between 0 and M-1, where McDG is the width of the time window considered for the measurement of the DoA and AT the temporal resolution of the sampling), f is the phase, and the index 1 corresponding to the real part of the complex signal S r and the index 2 corresponds to the imaginary part of the complex signal S '.
  • this matrix structure of the input data is "flattened” and transformed into a vector.
  • the RNA algorithm performs a classification.
  • a class then corresponds to an interval of values of DoA (for example intervals of width of 1 ° in bearing).
  • the output layer comprises a non-linear operation of the “softmax” type.
  • the size of the output layer corresponds to the number of classes chosen.
  • the output vector then corresponds to a probability distribution of the DoA over the angular range considered.
  • cross-entropy The criterion to be optimized in the learning phase will be cross-entropy ("cross-entropy").
  • the RNA algorithm performs a regression.
  • the output is a scalar corresponding to the value of the DoA. This value of DoA can be normalized between 0 and 1.
  • the output layer then preferably comprises a non-linear operation of the sigmoid type.
  • the criterion to be optimized in the learning phase will then be the mean square error between the ground truth (true DoA) and the prediction (measured DoA).
  • the assembly 10 allows the implementation of the DoA 100 measurement method of Figure 2.
  • the method 100 begins with a learning phase making it possible to optimize the values of the RNA parameters of the DoA 24 measurement module.
  • a step 105 the drone 14 is moved as desired around the antenna assembly of the system 12, making it possible to explore a wide angular range in elevation and bearing.
  • This angular sweep can be programmed in advance and automated thanks to the autopilot on board the flight controller of the drone.
  • the emission by the transmitter 52 of one or more reference RF signals (with advantageously different shapes) and by the light source 51 of an infrared signal is simultaneously controlled (step 110). .
  • step 130 the antennas 21 of the transmitter location system 12 receive the reference RF signal.
  • the phases delivered at the output of the preprocessing module 23 are transmitted to the labeling module 34.
  • step 140 the labeling module 34 is executed to associate with the phases received from the preprocessing module 23, the true DoA received from the module 32.
  • the labeled phases are stored in the training database 40.
  • Steps 105 to 140 are iterated (loop 145) for different relative positions of the drone 14 with respect to the transmitter location system 12 so as to populate the learning database 40. It is necessary to have a number sufficient training data to properly sample the desired field of use.
  • the method 100 proceeds to the training step 150 proper, in which the parameters of the RNA are optimized from the training data of the database 40.
  • the phases of training data are applied at the input of the DoA measurement module 24, and the DoA measurement delivered at the output of the module 24 is compared with the true DoA training data.
  • the difference between the measured DoA and the true DoA allows adjustment of the ANR parameters of the DoA 24 measurement module, using an optimization algorithm.
  • the transmitter and the drone are turned off and the transmitter locator system 12 can be used (step 160) to measure the DoAs of any incident signals.
  • An incident signal from an enemy transmitter arrives on antennas 21 and is digitized.
  • the phases obtained feed the artificial neural network of module 24, now suitably configured, which then delivers a measurement of the direction of arrival of the incident signal.
  • Tests on the complete assembly were carried out outdoors.
  • the root mean square error of the DoA measurement on the test data was 2 °.
  • the carrier frequency of the wave was 1 GHz.
  • the light source and the camera operate in the visible spectrum.
  • the camera is then advantageously provided with an optical bandpass filter for selecting the light signal emitted by the source on board the mobile platform.
  • the architecture of the transmitter location system according to the invention incorporates a parametric component which makes it possible to automatically calibrate the antenna, microwave components, the electromagnetic environment, etc. and this without going through long and expensive measurements in an anechoic chamber to carry out the calibration steps as is the case for the state of the art.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

The invention relates to an assembly (10) comprising a transmitter location system (12) and a mobile platform (14), the transmitter location system (12) comprising a reception chain (20) capable of producing a data stream when an incident signal is detected, and a direction-of-arrival (DoA) measurement module (24) capable of producing a measurement of the DoA of the incident signal based on the data stream produced by the reception chain (20), characterised in that the DoA measurement module (24) implements an algorithm based on an artificial neural network.

Description

Ensemble comportant un système de localisation d’émetteurs et une plateforme mobile ; système de localisation d’émetteurs, plateforme mobile et procédé de mesure de direction d’arrivée associés Set comprising a transmitter location system and a mobile platform; transmitter location system, mobile platform and associated arrival direction measurement method
L’invention a pour domaine celui des systèmes de localisation d’émetteurs, par exemple dans des dispositifs d’écoute électromagnétique. The field of the invention is that of systems for locating transmitters, for example in electromagnetic listening devices.
De manière générale, l’écoute électromagnétique consiste à recevoir et mesurer des caractéristiques de signaux électromagnétiques provenant par exemple d’un émetteur radar, puis de réaliser différents traitements afin de recueillir des informations stratégiques sur les émetteurs de ces signaux. En fonction de ces informations, une réponse adaptée peut être fournie, comme par exemple le déclenchement de contre-mesures. In general, electromagnetic listening consists of receiving and measuring the characteristics of electromagnetic signals coming, for example, from a radar transmitter, then performing various processing operations in order to collect strategic information on the transmitters of these signals. Based on this information, an appropriate response can be provided, such as triggering countermeasures.
Parmi les différents traitements possibles, un traitement de localisation permet d’obtenir une information sur la position de l’émetteur d’un signal électromagnétique d’intérêt. Among the various possible treatments, a localization processing makes it possible to obtain information on the position of the transmitter of an electromagnetic signal of interest.
Un tel traitement se fonde sur une mesure de la direction d’arrivée - DoA (« Direction of Arrivai ») du signal d’intérêt. A un instant donné, une mesure de la DoA permet de positionner l’émetteur sur une droite de visée. Lors du déplacement du porteur embarquant le système de localisation d’émetteurs, l’interception du signal d’intérêt depuis plusieurs positions distinctes permet la localisation précise de l’émetteur par recoupement des différentes droites de visées obtenues. Such processing is based on a measure of the direction of arrival - DoA ("Direction of Arrival") of the signal of interest. At a given moment, a measurement of the DoA makes it possible to position the transmitter on a line of sight. When moving the carrier on board the transmitter location system, the interception of the signal of interest from several distinct positions allows the precise location of the transmitter by cross-checking the various lines of sight obtained.
De manière classique, la mesure de la DoA s’appuie sur l’extraction des phases des signaux reçus sur chaque antenne du récepteur associé au systèmes de localisation d’émetteurs. Conventionally, the measurement of the DoA is based on the extraction of the phases of the signals received on each antenna of the receiver associated with the transmitter location systems.
La principale source d’erreurs sur la mesure de la DoA est constituée par les biais de calibration (ou biais de goniométrie) : calibration des antennes, calibration des différentes voies, calibration des phases, etc. The main source of errors in measuring the DoA is constituted by calibration bias (or direction finding bias): antenna calibration, calibration of the various channels, phase calibration, etc.
Les biais de calibration ont un effet opérationnel désastreux, puisqu’ils conduisent à une erreur sur la localisation estimée telle que le point de localisation de l’émetteur se trouve souvent très éloigné de la position réelle de l’émetteur, même après l’acquisition de nombreuses mesures de DoA. Calibration bias has a disastrous operational effect, since it leads to an error in the estimated location such that the location point of the transmitter is often very far from the actual position of the transmitter, even after acquisition. many DoA measurements.
En effet, les biais de calibration limitent le nombre de mesures qui peuvent être intégrées au cours du déplacement du porteur. Si les mesures étaient indépendantes les unes des autres, la précision angulaire obtenue sur un train de N mesures serait VÏV fois meilleure que pour une mesure. Les biais de calibration étant fortement corrélés d’une mesure sur l’autre, on ne peut pas bénéficier de ce gain d’intégration en VÏV sur la précision de la localisation de l’émetteur. Indeed, the calibration biases limit the number of measurements which can be integrated during the movement of the wearer. If the measurements were independent of each other, the angular precision obtained on a train of N measurements would be VIV times better than for one measurement. Since calibration biases are strongly correlated with measurement on the other, it is not possible to benefit from this gain in integration in VÏV on the accuracy of the location of the transmitter.
Les biais de calibration ont donc des conséquences fortes sur les performances d’un système de localisation. Ils induisent des coûts de développement très importants pour tenter de les réduire. Calibration bias therefore has strong consequences on the performance of a tracking system. They induce very significant development costs in an attempt to reduce them.
Parmi les méthodes de calibration connues, on utilise principalement la méthode dite « de calibration vectorielle », qui est à l’heure actuelle la méthode de calibration la plus avancée. La calibration vectorielle utilise un critère d’adéquation des mesures réalisées à un ensemble de mesures « étalons » préalablement établies. Cette calibration consiste à établir une table d’étalonnage à cinq dimensions : fréquence, site, gisement et deux directions de polarisation. Le critère repose sur le choix d’une fonction d’observation du type maximum de vraisemblance basée sur les vecteurs directeurs et sur une comparaison des mesures « étalons » attendues aux mesures réalisées, d’après une modélisation et un maillage des lieux possibles de l’émetteur. Among the known calibration methods, the so-called "vector calibration" method is mainly used, which is currently the most advanced calibration method. Vector calibration uses a criterion of the suitability of the measurements taken against a set of previously established "standard" measurements. This calibration consists of establishing a calibration table with five dimensions: frequency, site, bearing and two directions of polarization. The criterion is based on the choice of an observation function of the maximum likelihood type based on the direction vectors and on a comparison of the "standard" measurements expected with the measurements carried out, according to a modeling and a grid of the possible locations of the l 'transmitter.
Cependant, la goniométrie vectorielle est limitée car la polarisation et le site ne sont, a priori, pas connus ni mesurés. L’environnement des antennes n’est pas maîtrisé. However, the vector direction finding is limited because the polarization and the site are, a priori, neither known nor measured. The antenna environment is not under control.
La goniométrie vectorielle est également très sensible au bruit et ne résout que le cas de biais de calibration constants ou très lentement variables. Elle ne permet pas de compenser l’évolution d’un défaut dans le temps. Vector direction finding is also very sensitive to noise and only resolves the case of constant or very slowly varying calibration biases. It does not compensate for the evolution of a defect over time.
Elle n’est pas reproductible d’un système de localisation à un autre, même de conception identique, de sorte qu’il faut calibrer chaque système de localisation d’émetteurs spécifiquement. It is not reproducible from one tracking system to another, even of identical design, so each transmitter tracking system must be calibrated specifically.
Tout ceci limite fortement cette procédure de calibration, puisqu’une erreur résiduelle importante affecte les mesures de la DoA d’un signal d’intérêt. All of this severely limits this calibration procedure, since a large residual error affects the DoA measurements of a signal of interest.
Dans le cas général, il n’a pas encore été démontré qu’il était possible de corriger toutes les causes de biais de calibration. In the general case, it has not yet been demonstrated that it is possible to correct all the causes of calibration bias.
Le but de la présente invention est de résoudre ce problème. The aim of the present invention is to solve this problem.
Pour cela l’invention a pour objet un ensemble comportant un système de localisation d’émetteurs et une plateforme mobile, le système de localisation d’émetteurs comportant une chaîne de réception propre à délivrer un flux de données lors de la détection d’un signal incident, et un module de mesure de direction d’arrivée - DoA propre à délivrer une mesure de la DoA du signal incident à partir du flux de données délivré par la chaîne de réception, caractérisé en ce que le module de mesure de DoA met en œuvre un algorithme fondé sur un réseau de neurones artificiels, le réseau de neurones artificiels ayant été convenablement paramétré à la suite d’une phase d’apprentissage réalisée sur des données d’entrainement résultant de l’utilisation de la plateforme mobile, ladite plateforme mobile et le système de localisation d’émetteurs radar coopérant de manière à permettre au système de localisation d’émetteurs radar de mesurer une DoA vraie de signaux radioélectriques de référence émis par la plateforme mobile afin d’obtenir des données d’entrainement. For this, the invention relates to an assembly comprising a system for locating transmitters and a mobile platform, the system for locating transmitters comprising a reception chain suitable for delivering a data stream when a signal is detected. incident, and a module for measuring the direction of arrival - DoA capable of delivering a measurement of the DoA of the incident signal from the data stream delivered by the reception chain, characterized in that the DoA measurement module puts in implements an algorithm based on an artificial neural network, the artificial neural network having been suitably configured following a learning phase carried out on training data resulting from the use of the mobile platform, said mobile platform and the radar transmitter location system cooperating so as to allow the radar transmitter location system to measure a true DoA of reference radio signals transmitted by the mobile platform in order to obtain data from 'training.
Suivant des modes particuliers de réalisation, l’ensemble comporte une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles : According to particular embodiments, the assembly includes one or more of the following characteristics, taken individually or in any technically possible combination:
- la chaîne de réception comportant une pluralité d’antennes et une pluralité de récepteurs, chaque récepteur étant associé à une unique antenne, le flux de données produit par la pluralité de récepteurs étant appliquée en entrée d’un calculateur, ledit calculateur comportant le module de mesure de DoA et éventuellement un module de prétraitement en amont du module de mesure de DoA ; the reception chain comprising a plurality of antennas and a plurality of receivers, each receiver being associated with a single antenna, the data stream produced by the plurality of receivers being applied at the input of a computer, said computer comprising the module for DoA measurement and possibly a preprocessing module upstream of the DoA measurement module;
- le flux de données est constitué par des échantillons temporels du signal incident ; - the data stream consists of time samples of the incident signal;
- la plateforme mobile comporte : un émetteur d’un signal radioélectrique de référence ; et une source lumineuse ; et le système de localisation d’émetteurs comporte : un dispositif d’estimation de DoA, propre à estimer la DoA vraie du signal radioélectrique de référence, comportant une caméra et un module d’estimation de DoA propre à estimer une DoA vraie à partir des images en sortie de la caméra ; un module d’étiquetage permettant d’associer au flux de données produit par la chaîne de réception lors de la détection du signal de référence, la DoA vraie estimée par le dispositif d’estimation de DoA ; et une base de données d’apprentissage propre à mémoriser les échantillons étiquetés délivrés par le module d’étiquetage en tant que données d’entraînement pour paramétrer convenablement le module de mesure de DoA ; - the mobile platform comprises: a transmitter of a reference radio signal; and a light source; and the transmitter location system comprises: a DoA estimation device, suitable for estimating the true DoA of the reference radioelectric signal, comprising a camera and a DoA estimation module suitable for estimating a true DoA from the images output from the camera; a labeling module making it possible to associate with the data flow produced by the reception chain upon detection of the reference signal, the true DoA estimated by the DoA estimator; and a training database suitable for storing the labeled samples output from the labeling module as training data to properly set up the DoA measurement module;
- la source lumineuse et la caméra fonctionnent dans le domaine infrarouge ou le domaine optique ; - the light source and the camera operate in the infrared range or the optical range;
- la plateforme mobile est un drone ; - the mobile platform is a drone;
- le système de localisation d’émetteurs fonctionne dans le domaine radiofréquence ; - the transmitter location system operates in the radiofrequency domain;
L’invention a également pour objet un système de localisation d’émetteurs propre à coopérer avec une plateforme mobile pour constituer un ensemble conforme à l’ensemble précédent. The subject of the invention is also a system for locating transmitters capable of cooperating with a mobile platform to constitute an assembly in accordance with the previous assembly.
L’invention a également pour objet une plateforme mobile est propre à coopérer avec un système de localisation d’émetteurs pour constituer un ensemble conforme à l’ensemble précédent. L’invention a également pour objet un procédé de mesure de direction d’arrivée - DoA propre à mesurer la DoA d’un signal électromagnétique incident, le procédé étant mis en œuvre au moyen de l’ensemble précédent et comportant les étapes consistant à :The subject of the invention is also a mobile platform capable of cooperating with a system for locating transmitters in order to constitute an assembly conforming to the preceding assembly. The subject of the invention is also a method of measuring the direction of arrival - DoA suitable for measuring the DoA of an incident electromagnetic signal, the method being implemented by means of the preceding assembly and comprising the steps consisting in:
- déplacer la plateforme mobile autour de l’ensemble antennaire du système de localisation d’émetteurs ; - move the mobile platform around the antenna assembly of the transmitter location system;
- commander l’émission par l’émetteur d’un ou plusieurs signaux électromagnétiques de référence et l’émission par la source lumineuse d’un signal lumineux ; - control the emission by the transmitter of one or more electromagnetic reference signals and the emission by the light source of a light signal;
- mesurer la DoA vraie du signal de référence à partir de la détection du signal lumineux ;- measure the true DoA of the reference signal from the detection of the light signal;
- obtenir un flux de données en sortie de la chaîne de réception du système de localisation d’émetteurs à partir de la détection du signal de référence ; - Obtain a data stream at the output of the reception chain of the transmitter location system from the detection of the reference signal;
- étiqueter le flux de données obtenu avec la DoA vraie mesurée et stocker le flux de données étiqueté en tant que données d’entraînement dans une base de données d’apprentissage ; - tag the data stream obtained with the measured true DoA and store the tagged data stream as training data in a training database;
- puis, une fois que le nombre de données d’entraînement dans la base de données d’apprentissage est suffisant, optimiser les paramètres du réseau de neurones artificiels du module de mesure de DoA du système de localisation d’émetteurs à partir des données d’entraînement de la base de données d’apprentissage ; et, - then, once the number of training data in the training database is sufficient, optimize the parameters of the artificial neural network of the DoA measurement module of the transmitter location system from the data of training of the learning database; and,
- une fois que le réseau de neurones artificiels du module de mesure de DoA est convenablement paramétré, utiliser le système de localisation d’émetteurs pour mesurer la DoA d’un signal incident quelconque. - once the artificial neural network of the DoA measurement module is properly configured, use the transmitter locator system to measure the DoA of any incident signal.
L’invention et ses avantages seront mieux compris à la lecture de la description détaillée qui va suivre d’un mode de réalisation particulier, donné uniquement à titre d’exemple non limitatif, cette description étant faite en se référant aux dessins annexés sur lesquels : The invention and its advantages will be better understood on reading the detailed description which follows of a particular embodiment, given solely by way of non-limiting example, this description being given with reference to the accompanying drawings in which:
La figure 1 est une représentation schématique d’un ensemble comportant un système de localisation d’émetteurs et une plateforme mobile selon un mode de réalisation préféré de l’invention ; la figure 2 est une représentation sous forme de blocs d’un mode de réalisation préféré d’un procédé d’estimation de la direction d’arrivée - DoA d’un signal électromagnétique d’intérêt en utilisant l’ensemble représenté à la figure 1. Figure 1 is a schematic representation of an assembly comprising a transmitter location system and a mobile platform according to a preferred embodiment of the invention; FIG. 2 is a representation in the form of blocks of a preferred embodiment of a method for estimating the direction of arrival - DoA of an electromagnetic signal of interest using the assembly shown in FIG. 1 .
PRESENTATION GENERALE GENERAL PRESENTATION
De manière générale, pour estimer la DoA d’un signal électromagnétique intercepté, un système de localisation d’émetteurs selon l’invention met en œuvre un algorithme d’apprentissage automatique (« machine learning »en anglais), de préférence du type réseau de neurones artificiels - RNA. Cela permet de relâcher les contraintes techniques de conception liées à la problématique complexe de correction des biais de calibration pour la mesure de la DoA. En effet, un algorithme d’apprentissage automatique, une fois convenablement paramétré au moyen de données d’entraînement, permet une correction automatique des imperfections affectant les mesures effectuées par le système de localisation d’émetteurs. In general, to estimate the DoA of an intercepted electromagnetic signal, a transmitter location system according to the invention implements a machine learning algorithm, preferably of the network type. artificial neurons - RNA. This makes it possible to relax the constraints design techniques related to the complex issue of correcting calibration biases for DoA measurement. Indeed, an automatic learning algorithm, once suitably configured by means of training data, allows automatic correction of imperfections affecting the measurements made by the transmitter location system.
Un mode de réalisation du système de localisation d’émetteurs selon l’invention va maintenant être présenté en détails en se référant à la figure 1. An embodiment of the transmitter location system according to the invention will now be presented in detail with reference to Figure 1.
La figure 1 représente un ensemble 10 comportant un système de localisation d’émetteurs 12 et un drone 14. FIG. 1 represents an assembly 10 comprising a system for locating transmitters 12 and a drone 14.
Le système de localisation d’émetteurs 12 comporte une chaîne de réception 20 et un calculateur 25. The transmitter location system 12 comprises a reception chain 20 and a computer 25.
La chaîne de réception 20, de préférence radiofréquence - RF, comporte : The reception chain 20, preferably radiofrequency - RF, comprises:
- une pluralité d’antennes 21 ; - a plurality of antennas 21;
- une pluralité de récepteurs 22, chaque récepteur étant associé à une unique antenne et étant propre à réaliser un échantillonnage temporel d’un signal incident sur l’antenne associée. - a plurality of receivers 22, each receiver being associated with a single antenna and being suitable for carrying out temporal sampling of a signal incident on the associated antenna.
De préférence, les antennes sont non-linéairement espacées afin de pouvoir lever les ambiguïtés lorsque la longueur d’onde du signal incident est courte, comme cela est connu de l’homme du métier. De préférence, la distribution spatiale des antennes se fait selon deux dimensions pour pouvoir réaliser une mesure de DoA en gisement et en élévation. Preferably, the antennas are non-linearly spaced so as to be able to resolve ambiguities when the wavelength of the incident signal is short, as is known to those skilled in the art. Preferably, the spatial distribution of the antennas takes place in two dimensions in order to be able to carry out a measurement of DoA in bearing and in elevation.
Un récepteur 22 comporte par exemple un ou plusieurs amplificateurs, un démodulateur, et un numériseur en série. Les différents récepteurs 22 sont synchronisés sur une horloge commune. A receiver 22 comprises, for example, one or more amplifiers, a demodulator, and a serial digitizer. The different receivers 22 are synchronized on a common clock.
Pour un signal RF, un récepteur 22, qui prend la forme d’une carte électronique, réalise par exemple la transposition en bande de base et l’échantillonnage sur une bande de 500 MHz. La fréquence centrale est avantageusement réglable entre 2 et 18 GHz. For an RF signal, a receiver 22, which takes the form of an electronic card, performs for example the baseband transposition and the sampling on a 500 MHz band. The central frequency is advantageously adjustable between 2 and 18 GHz.
Le flux de données en sortie des récepteurs 22 est par exemple appliqué en entrée du calculateur 25 via une liaison Ethernet. The data stream at the output of the receivers 22 is for example applied to the input of the computer 25 via an Ethernet link.
Le calculateur 25 comporte un moyen de calcul, tel qu’un processeur (par exemple un processeur multi-cœurs ou un processeur graphique « GPU »), et un moyen de stockage d’informations, tel qu’une mémoire. La mémoire comporte notamment différents programmes d’ordinateur, dont les instructions sont propres à être exécutées par le processeur. The computer 25 comprises a computing means, such as a processor (for example a multi-core processor or a graphics processor "GPU"), and an information storage means, such as a memory. The memory comprises in particular various computer programs, the instructions of which are specific to be executed by the processor.
Parmi ces différents programmes, le calculateur 25 comporte un module de prétraitement 23 et un module d’estimation de la DoA 24. Le module de prétraitement 23, qui est optionnel, réalise une réduction de la taille du flux de données en sortie de la chaîne de réception 20. Il tient avantageusement compte de certaines invariances pertinentes dans les données reçues, telles que par exemple une invariance en amplitude, une invariance en phase absolue, etc. Among these different programs, the computer 25 comprises a preprocessing module 23 and a module for estimating the DoA 24. The preprocessing module 23, which is optional, reduces the size of the data stream at the output of the reception chain 20. It advantageously takes into account certain relevant invariances in the data received, such as for example an invariance in amplitude. , an absolute phase invariance, etc.
Le système de localisation d’émetteur 12 comporte un module de mesure de DoA 24 propre à délivrer une mesure de la DoA d’un signal RF d’intérêt intercepté dans l’environnement. Cette mesure est réalisée à partir des échantillons temporels délivrés par la chaîne de réception 20 (éventuellement après prétraitement par le module 23) dans une fenêtre temporelle d’estimation. The transmitter location system 12 includes a DoA measurement module 24 capable of providing a measurement of the DoA of an RF signal of interest intercepted in the environment. This measurement is carried out from the time samples delivered by the reception chain 20 (possibly after preprocessing by the module 23) in an estimation time window.
Selon l’invention, le module de mesure de DoA 24 met en œuvre un algorithme de « machine learning » pour réaliser la mesure de la direction d’arrivée - DoA. According to the invention, the DoA 24 measurement module implements a "machine learning" algorithm to perform the direction of arrival measurement - DoA.
Cet algorithme, qui sera décrit en détail ci-dessous, nécessite une phase d’apprentissage, permettant de déterminer les valeurs optimales des paramètres du module 24. This algorithm, which will be described in detail below, requires a learning phase, making it possible to determine the optimal values of the parameters of the module 24.
Il est donc nécessaire de disposer d’une base de données d’apprentissage comportant des données d’entraînement, une donnée d’entraînement associant les échantillons temporels d’un signal incident avec la direction d’arrivée vraie de ce signal incident. It is therefore necessary to have a training database comprising training data, training data associating the time samples of an incident signal with the true direction of arrival of this incident signal.
Pour l’enrichissement de cette base de données d’apprentissage, une plateforme mobile est utilisée permettant de déplacer à convenance un émetteur de signaux de référence couplé à une source lumineuse permettant une estimation la DoA vraie des signaux de référence émis par l’émetteur et détectés par le système de localisation d’émetteurs 12. For the enrichment of this training database, a mobile platform is used allowing to move at convenience a transmitter of reference signals coupled to a light source allowing an estimation of the true DoA of the reference signals emitted by the transmitter and detected by the transmitter tracking system 12.
Dans le mode de réalisation préférentiel, la plateforme mobile est un drone 14 à voilure tournante sur lequel est embarqué : In the preferred embodiment, the mobile platform is a rotary wing drone 14 on which is embarked:
- un émetteur RF 52, propre à émettre des signaux RF de référence, avantageusement avec des formes d’ondes différentes (en particulier à des fréquences différentes), de manière à être représentatifs des signaux RF rencontrés en conditions d’utilisation réelles du système 12 ; - an RF transmitter 52, suitable for transmitting reference RF signals, advantageously with different waveforms (in particular at different frequencies), so as to be representative of the RF signals encountered in actual conditions of use of the system 12 ;
- une source lumineuse 51 omnidirectionnelle, tel que par exemple un ensemble de LEDs infrarouge. an omnidirectional light source 51, such as for example a set of infrared LEDs.
Pour l’estimation de la DoA vraie, le système 12 comporte un dispositif de mesure, par exemple constitué d’une caméra 31 , qui est disposée au voisinage des antennes 21 du système 12. La caméra 31 , de préférence grand angle, présente une sensibilité adaptée à la bande de fréquence du signal lumineux émis par la source lumineuse 51. Dans le mode de réalisation préféré, la caméra 31 fonctionne dans le domaine infrarouge. Les images délivrées par la caméra sont appliquées en entrée du calculateur 25, qui comporte, parmi les différents programmes qu’il est susceptible d’exécuter, un module d’estimation de DoA 32 propre à délivrer une estimation de la DoA du signal lumineux à partir des images délivrées par la caméra 31 et par conséquent une estimation de la DoA vraie du signal RF de référence. For the estimation of the true DoA, the system 12 comprises a measuring device, for example consisting of a camera 31, which is arranged in the vicinity of the antennas 21 of the system 12. The camera 31, preferably wide angle, has a sensitivity adapted to the frequency band of the light signal emitted by the light source 51. In the preferred embodiment, the camera 31 operates in the infrared range. The images delivered by the camera are applied to the input of the computer 25, which comprises, among the various programs that it is capable of executing, a DoA estimation module 32 suitable for delivering an estimate of the DoA of the light signal to from the images delivered by the camera 31 and consequently an estimate of the true DoA of the reference RF signal.
Le module 32 met en œuvre un algorithme simple de traitement d’image, permettant d’extraire la position d’un point brillant correspondant à la source lumineuse, et permettant de convertir cette position en une mesure de position relative par rapport au système 12, par exemple une position selon deux dimensions, typiquement en gisement et élévation par rapport à une direction de référence associée aux antennes 21. The module 32 implements a simple image processing algorithm, making it possible to extract the position of a bright point corresponding to the light source, and making it possible to convert this position into a relative position measurement with respect to the system 12, for example a position in two dimensions, typically in bearing and elevation relative to a reference direction associated with the antennas 21.
Le système 12 comporte, parmi les différents programmes que le calculateur 25 exécute, un module d’étiquetage 34 permettant d’associer aux échantillons temporels délivrés par la chaîne de réception 20 lors de la réception d’un signal RF de référence, la DoA vraie mesurée par le module 32 au même instant. The system 12 comprises, among the different programs that the computer 25 executes, a labeling module 34 making it possible to associate with the time samples delivered by the reception chain 20 when receiving a reference RF signal, the true DoA measured by module 32 at the same time.
Enfin, le système 12 comporte une base de données d’apprentissage 40 propre à stocker les échantillons étiquetés délivrés en sortie du module 34, en tant que données d’entraînement. Finally, the system 12 includes a training database 40 suitable for storing the labeled samples delivered at the output of the module 34, as training data.
Bien que d’autres algorithmes puissent être utilisés, le réseau de neurones artificiels mis en œuvre par le module de mesure de DoA 24 est avantageusement du type MLP (« Multi Layer Perceptron »). Cette architecture très simple possède une seule couche cachée. D’après les simulations qui ont été réalisées, grâce à la simplicité de cette architecture, de bonnes performances sont obtenues avec des temps de calcul très raisonnables, aussi bien pour la phase d’apprentissage que pour la phase d’utilisation du système 12. Although other algorithms can be used, the artificial neural network implemented by the DoA 24 measurement module is advantageously of the MLP (“Multi Layer Perceptron”) type. This very simple architecture has a single hidden layer. According to the simulations which have been carried out, thanks to the simplicity of this architecture, good performance is obtained with very reasonable calculation times, both for the learning phase and for the use phase of the system 12.
Les différentes couches sont complètement interconnectées. The different layers are completely interconnected.
La couche cachée réalise par exemple la transformation générique suivante sur le vecteur d’entrée x pour obtenir en sortie le vecteur intermédiaire h : h = f±(W±x + &i) où Wx est une matrice de poids, b un vecteur de biais, la fonction d’activation de la couche cachée. The hidden layer performs for example the following generic transformation on the input vector x to obtain the intermediate vector h as output: h = f ± (W ± x + & i) where W x is a weight matrix, b a vector of bias, the function of activating the hidden layer.
La couche de sortie réalise par exemple la transformation générique suivante sur le vecteur intermédiaire h pour obtenir en sortie le vecteur de sortie y : y = f2(W2h + b2) où W2 est une matrice de poids, b2 un vecteur de biais, et f2 la fonction d’activation de la couche de sortie. Si on note I la taille du vecteur d’entrée x, O celle du vecteur de sortie y et H celle du vecteur intermédiaire de la couche cachée, alors les différents groupes de paramètres à optimiser sont de taille : The output layer performs for example the following generic transformation on the intermediate vector h to obtain the output vector y as output: y = f 2 (W 2 h + b 2 ) where W 2 is a weight matrix, b 2 un bias vector, and f 2 the activation function of the output layer. If we denote by I the size of the input vector x, O that of the output vector y and H that of the intermediate vector of the hidden layer, then the different groups of parameters to be optimized are of size:
• I x H pour W1 • I x H for W 1
• H pour b • H for b
• H x O pour W2 • H x O for W 2
• O pour b2 • O for b 2
Bien que le réseau de neurones artificiels puisse fonctionner directement à partir des échantillons bruts du signal, différents essais en simulation ont permis d’identifier qu’un prétraitement simple d’extraction de la phase et de soustraction d’une phase de référence (ce qui revient à prendre la phase relative entre les voies) permet d’obtenir de meilleurs résultats à temps de calcul équivalent. Le module de mesure de DoA prend donc avantageusement en entrée les déphasages entre les antennes 21 calculés par le module 23. Although the artificial neural network can operate directly from the raw samples of the signal, various simulation tests have identified that a simple preprocessing of phase extraction and subtraction of a reference phase (which (equivalent to taking the relative phase between the channels) makes it possible to obtain better results with equivalent calculation time. The DoA measurement module therefore advantageously takes as input the phase shifts between the antennas 21 calculated by the module 23.
Dans le cas de signaux complexes (échantillonnage l/Q), la phase est calculée directement sur chaque échantillon en prenant l’argument. Pour des signaux réels, il est possible d’utiliser la même structure si l’on réalise au préalable une transformée de Hilbert pour obtenir un signal analytique à partir du signal réel. In the case of complex signals (l / Q sampling), the phase is calculated directly on each sample by taking the argument. For real signals, it is possible to use the same structure if we first perform a Hilbert transform to obtain an analytical signal from the real signal.
Pour un ensemble antennaire à une dimension et des signaux complexes (échantillons l/Q), la structure des données d’entrée est la suivante : avec i l’indice de l’antenne (entier entre 1 et le nombre total d’antennes) et j l’indice de l’échantillon temporel (entier entre 0 et M-1 , où McDG est la largeur de la fenêtre temporelle considérée pour la mesure de la DoA et AT la résolution temporelle de l’échantillonnage), f est la phase, et l’indice 1 correspondant à la partie réelle du signal complexe Sr et l’indice 2 correspond à la partie imaginaire du signal complexe S'. For a one-dimensional antenna array and complex signals (l / Q samples), the structure of the input data is as follows: with i the index of the antenna (integer between 1 and the total number of antennas) and j the index of the time sample (integer between 0 and M-1, where McDG is the width of the time window considered for the measurement of the DoA and AT the temporal resolution of the sampling), f is the phase, and the index 1 corresponding to the real part of the complex signal S r and the index 2 corresponds to the imaginary part of the complex signal S '.
Le fait d’utiliser les parties réelles et imaginaires plutôt que la phase brute permet d’avoir des entrées bornées entre -1 et 1 et d’éviter les discontinuités que peut avoir la phase entre 2p et 0. The fact of using the real and imaginary parts rather than the raw phase allows to have inputs bounded between -1 and 1 and to avoid the discontinuities that the phase can have between 2p and 0.
Avant l’entrée dans le réseau de neurones artificiels du module 24, cette structure matricielle des données d’entrée est « aplatie » et transformée en vecteur. Before entering the artificial neural network of module 24, this matrix structure of the input data is "flattened" and transformed into a vector.
Dans un premier mode de réalisation, l’algorithme RNA réalise une classification. Une classe correspond alors à un intervalle de valeurs de DoA (par exemple des intervalles de largeur de 1° en gisement). Dans ce premier mode de réalisation, la couche de sortie comporte une opération non-linéaire de type « softmax ». La taille de la couche de sortie correspond au nombre de classes choisi. Le vecteur de sortie correspond alors à une distribution de probabilités de la DoA sur la plage angulaire considérée. In a first embodiment, the RNA algorithm performs a classification. A class then corresponds to an interval of values of DoA (for example intervals of width of 1 ° in bearing). In this first embodiment, the output layer comprises a non-linear operation of the “softmax” type. The size of the output layer corresponds to the number of classes chosen. The output vector then corresponds to a probability distribution of the DoA over the angular range considered.
Le critère à optimiser dans la phase d’apprentissage sera l’entropie croisée («cross-entropy»). The criterion to be optimized in the learning phase will be cross-entropy ("cross-entropy").
Dans un second mode de réalisation, l’algorithme RNA réalise une régression. La sortie est un scalaire correspondant à la valeur de la DoA. Cette valeur de DoA peut être normalisée entre 0 et 1. La couche de sortie comporte alors de préférence une opération non-linéaire de type sigmoïde. Le critère à optimiser dans la phase d’apprentissage sera alors l’erreur quadratique moyenne entre la vérité terrain (DoA vraie) et la prédiction (DoA mesurée). In a second embodiment, the RNA algorithm performs a regression. The output is a scalar corresponding to the value of the DoA. This value of DoA can be normalized between 0 and 1. The output layer then preferably comprises a non-linear operation of the sigmoid type. The criterion to be optimized in the learning phase will then be the mean square error between the ground truth (true DoA) and the prediction (measured DoA).
Le second mode de réalisation présente l’avantage de délivrer une grandeur scalaire, ce qui permet d’avoir une structure du RNA plus légère - car la taille du vecteur de sortie est plus petite que dans le cas du premier mode de réalisation - et ainsi gagner en temps de calcul. C’est cette approche qui est de préférence retenue. The second embodiment has the advantage of delivering a scalar quantity, which makes it possible to have a lighter structure of the ANN - because the size of the output vector is smaller than in the case of the first embodiment - and thus save computing time. It is this approach that is preferably chosen.
L’ensemble 10 permet la mise en œuvre du procédé de mesure de DoA 100 de la figure 2. The assembly 10 allows the implementation of the DoA 100 measurement method of Figure 2.
Le procédé 100 débute par une phase d’apprentissage permettant d’optimiser les valeurs des paramètres du RNA du module de mesure de DoA 24. The method 100 begins with a learning phase making it possible to optimize the values of the RNA parameters of the DoA 24 measurement module.
Dans une étape 105, le drone 14 est déplacé à convenance autour de l’ensemble antennaire du système 12, permettant d’explorer un large domaine angulaire en élévation et en gisement. Ce balayage angulaire peut être programmé à l’avance et automatisé grâce au pilote automatique embarqué sur le contrôleur de vol du drone. In a step 105, the drone 14 is moved as desired around the antenna assembly of the system 12, making it possible to explore a wide angular range in elevation and bearing. This angular sweep can be programmed in advance and automated thanks to the autopilot on board the flight controller of the drone.
Dans une position stabilisée du drone 14, on commande simultanément l’émission par l’émetteur 52 d’un ou plusieurs signaux RF de référence (avec avantageusement des formes différentes) et par la source lumineuse 51 d’un signal infrarouge (étape 110).In a stabilized position of the drone 14, the emission by the transmitter 52 of one or more reference RF signals (with advantageously different shapes) and by the light source 51 of an infrared signal is simultaneously controlled (step 110). .
A l’étape 120, la caméra 31 du système de localisation d’émetteurs 12 détecte le signal infrarouge. Les images produites permettent au module d’estimation de DoA 32 de déterminer la DoA du signal lumineux et par conséquent la DoA vraie du signal RF de référence. La DoA vraie est transmise au module d’étiquetage 34. In step 120, the camera 31 of the transmitter locating system 12 detects the infrared signal. The images produced allow the DoA estimator 32 to determine the DoA of the light signal and therefore the true DoA of the reference RF signal. The true DoA is transmitted to the tagging module 34.
A l’étape 130 (réalisée en même temps que l’étape 120), les antennes 21 du système de localisation d’émetteurs 12 reçoivent le signal RF de référence. Les phases délivrées en sortie du module de prétraitement 23 sont transmises au module d’étiquetage 34. A l’étape 140, le module d’étiquetage 34 est exécuté pour associer aux phases reçues du module de prétraitement 23, la DoA vraie reçue du module 32. Les phases étiquetées sont mémorisées dans la base de données d’apprentissage 40. In step 130 (carried out at the same time as step 120), the antennas 21 of the transmitter location system 12 receive the reference RF signal. The phases delivered at the output of the preprocessing module 23 are transmitted to the labeling module 34. In step 140, the labeling module 34 is executed to associate with the phases received from the preprocessing module 23, the true DoA received from the module 32. The labeled phases are stored in the training database 40.
Les étapes 105 à 140 sont itérées (boucle 145) pour différentes position relatives du drone 14 par rapport au système de localisation d’émetteurs 12 de manière à peupler la base de données d’apprentissage 40. Il est nécessaire de disposer d’un nombre de données d’entraînement suffisant pour échantillonner convenablement le domaine d’emploi souhaité. Steps 105 to 140 are iterated (loop 145) for different relative positions of the drone 14 with respect to the transmitter location system 12 so as to populate the learning database 40. It is necessary to have a number sufficient training data to properly sample the desired field of use.
Une fois que la base de données d’apprentissage 40 comporte suffisamment de données d’entraînement, le procédé 100 passe à l’étape 150 d’apprentissage proprement dite, dans laquelle les paramètres du RNA sont optimisés à partir des données d’entraînement de la base de données 40. De manière connue en soi, les phases d’une donnée d’entrainement sont appliquées en entrée du module de mesure de DoA 24, et la mesure de DoA délivrée en sortie du module 24 est comparée avec la DoA vraie de la donnes d’entrainement. L’écart entre la DoA mesurée et la DoA vraie permet d’ajuster les paramètres du RNA du module de mesure de DoA 24, au moyen d’un algorithme d’optimisation. Once the training database 40 has sufficient training data, the method 100 proceeds to the training step 150 proper, in which the parameters of the RNA are optimized from the training data of the database 40. In a manner known per se, the phases of training data are applied at the input of the DoA measurement module 24, and the DoA measurement delivered at the output of the module 24 is compared with the true DoA training data. The difference between the measured DoA and the true DoA allows adjustment of the ANR parameters of the DoA 24 measurement module, using an optimization algorithm.
Une fois les valeurs optimales des paramètres du RNA déterminées, l’émetteur et le drone sont éteints et le système de localisation d’émetteurs 12 peut être utilisé (étape 160) pour mesurer les DoA de signaux incidents quelconques. Un signal incident d’un émetteur ennemi arrive sur les antennes 21 et est numérisé. Après prétraitement, les phases obtenues alimentent le réseau de neurones artificiels du module 24, maintenant convenablement paramétré, qui délivre alors une mesure de la direction d’arrivée du signal incident. Once the optimal values of the RNA parameters have been determined, the transmitter and the drone are turned off and the transmitter locator system 12 can be used (step 160) to measure the DoAs of any incident signals. An incident signal from an enemy transmitter arrives on antennas 21 and is digitized. After preprocessing, the phases obtained feed the artificial neural network of module 24, now suitably configured, which then delivers a measurement of the direction of arrival of the incident signal.
Des essais sur l’ensemble complet (système de localisation 12 et drone 14 pour la génération de données d’entraînement) ont été menés en extérieur. L’erreur quadratique moyenne sur la mesure la DoA sur les données de test a été de 2°. Sur cet exemple, la fréquence porteuse de l’onde était de 1 GHz. Tests on the complete assembly (tracking system 12 and drone 14 for generating training data) were carried out outdoors. The root mean square error of the DoA measurement on the test data was 2 °. In this example, the carrier frequency of the wave was 1 GHz.
Il y a donc une bonne adéquation entre les mesures données par le RNA et la vérité terrain. Ceci a permis de démontrer la faisabilité d’une approche d’intelligence artificielle basée sur un réseau de neurones artificiels. There is therefore a good match between the measurements given by the RNA and the ground truth. This made it possible to demonstrate the feasibility of an artificial intelligence approach based on an artificial neural network.
En variante, la source lumineuse et la caméra fonctionnent dans le spectre visible. La caméra est alors avantageusement munie d’un filtre optique passe bande pour sélectionner le signal lumineux émis par la source embarquée à bord de la plateforme mobile. L’architecture du système de localisation d’émetteurs selon l’invention intègre un composant paramétrique qui permet de calibrer automatiquement l’antenne, des composants hyperfréquences, de l’environnement électromagnétique, etc. et ceci sans passer par des mesures longues et coûteuses en chambre sourde pour effectuer les étapes de calibration comme cela est le cas pour l’état de la technique. Alternatively, the light source and the camera operate in the visible spectrum. The camera is then advantageously provided with an optical bandpass filter for selecting the light signal emitted by the source on board the mobile platform. The architecture of the transmitter location system according to the invention incorporates a parametric component which makes it possible to automatically calibrate the antenna, microwave components, the electromagnetic environment, etc. and this without going through long and expensive measurements in an anechoic chamber to carry out the calibration steps as is the case for the state of the art.
Ainsi, selon l’invention, la chaîne de réception 20 n’a pas besoin d’être calibrée. Elle applique le flux de données issu de chaque antenne en entrée du calculateur 35. En variante, au lieu d’être des échantillons temporels de signaux, ces données peuvent être des données d’autres types décrivant les signaux reçus. Une telle architecture permet notamment de travailler nativement et simplement avec une disposition d’antennes quelconques (antennes non planes, écartements entre les antennes irréguliers, etc.) sans avoir à effectuer des calculs complexes. Thus, according to the invention, the reception chain 20 does not need to be calibrated. It applies the data stream from each antenna to the input of the computer 35. As a variant, instead of being time samples of signals, this data can be data of other types describing the signals received. Such an architecture allows in particular to work natively and simply with any arrangement of antennas (non-planar antennas, spacings between irregular antennas, etc.) without having to perform complex calculations.
L’homme du métier constatera que, dans l’architecture du système de localisation d’émetteurs selon l’invention, le composant paramétrique remplace différents composants d’un système de localisation d’émetteurs selon l’état de la technique. Those skilled in the art will find that, in the architecture of the transmitter location system according to the invention, the parametric component replaces various components of a transmitter location system according to the state of the art.
Grâce à cette calibration automatique, le système de localisation d’émetteurs peut être un système « bas coût ». Thanks to this automatic calibration, the transmitter location system can be a "low cost" system.
Le problème du vieillissement de la calibration trouve immédiatement une solution, puisque l’optimisation du paramétrage du composant paramétrique peut être facilement réalisée entre deux utilisations du système de localisation d’émetteurs. The problem of the aging of the calibration is immediately resolved, since the optimization of the parameterization of the parametric component can be easily carried out between two uses of the transmitter locator system.
De plus, l’architecture développée ici peut très facilement être portée sur un système de localisation d’émetteurs différent, moyennant un réapprentissage des paramètres du composant paramétrique (« transfer learning » ). In addition, the architecture developed here can very easily be ported to a different transmitter location system, by relearning the parameters of the parametric component ("transfer learning").

Claims

REVENDICATIONS
1. Ensemble (10) comportant un système de localisation d’émetteurs radar (12) et une plateforme mobile (14), le système de localisation d’émetteurs radar (12) comportant : une chaîne de réception (20), qui est propre à délivrer un flux de données lors de la détection d’un signal radioélectrique incident ; et un module de mesure de direction d’arrivée - DoA (24), qui est propre à délivrer une mesure de la direction d’arrivée du signal radioélectrique incident en fonction du flux de données délivré par la chaîne de réception (20), caractérisé en ce que le module de mesure de direction d’arrivée (24) met en œuvre un algorithme fondé sur un réseau de neurones artificiels, ledit réseau de neurones artificiels ayant été convenablement paramétré à la suite d’une phase d’apprentissage réalisée sur des données d’entrainement résultant de l’utilisation de la plateforme mobile, ladite plateforme mobile et le système de localisation d’émetteurs radar (12) coopérant de manière à permettre au système de localisation d’émetteurs radar (12) de mesurer une direction d’arrivée vraie de signaux radioélectriques de référence émis par la plateforme mobile afin d’obtenir des données d’entrainement. 1. Assembly (10) comprising a system for locating radar transmitters (12) and a mobile platform (14), the system for locating radar transmitters (12) comprising: a reception chain (20), which is clean delivering a data stream upon detection of an incident radio signal; and a module for measuring the direction of arrival - DoA (24), which is suitable for delivering a measurement of the direction of arrival of the incident radio signal as a function of the data flow delivered by the reception chain (20), characterized in that the direction of arrival measurement module (24) implements an algorithm based on an artificial neural network, said artificial neural network having been suitably configured following a learning phase carried out on training data resulting from the use of the mobile platform, said mobile platform and the radar transmitter location system (12) cooperating so as to allow the radar transmitter location system (12) to measure a direction of 'true arrival of reference radio signals emitted by the mobile platform in order to obtain training data.
2. Ensemble selon la revendication 1 , dans lequel la plateforme mobile (14) comporte : 2. The assembly of claim 1, wherein the mobile platform (14) comprises:
- un émetteur d’un signal radioélectrique de référence ; et, - a transmitter of a reference radio signal; and,
- une source lumineuse ; et, le système de localisation d’émetteurs radar (12) comporte : - a light source; and, the radar transmitter location system (12) comprises:
- un dispositif d’estimation de direction d’arrivée, propre à estimer la direction d’arrivée vraie du signal radioélectrique de référence, comportant une caméra (31) et un module d’estimation de direction d’arrivée (32) propre à estimer une direction d’arrivée vraie à partir des images en sortie de la caméra ; a device for estimating the direction of arrival, suitable for estimating the true direction of arrival of the reference radioelectric signal, comprising a camera (31) and a module for estimating the direction of arrival (32) suitable for estimating a true direction of arrival from the images exiting the camera;
- un module d’étiquetage (34), permettant d’associer au flux de données produit par la chaîne de réception (20) lors de la détection du signal radioélectrique de référence, la direction d’arrivée vraie estimée par le dispositif d’estimation de direction d’arrivée; et,- a labeling module (34), making it possible to associate with the data stream produced by the reception chain (20) during the detection of the reference radioelectric signal, the true direction of arrival estimated by the estimation device direction of arrival; and,
- une base de données d’apprentissage propre à mémoriser les échantillons étiquetés délivrés par le module d’étiquetage (34) en tant que données d’entraînement pour paramétrer convenablement le module de mesure de direction d’arrivée (24). - a learning database suitable for storing the labeled samples delivered by the labeling module (34) as training data to properly configure the arrival direction measurement module (24).
3. Ensemble selon la revendication 2, dans lequel la source lumineuse et la caméra fonctionnent dans le domaine infrarouge ou le domaine optique. 3. An assembly according to claim 2, wherein the light source and the camera operate in the infrared domain or the optical domain.
4. Ensemble selon l’une quelconque des revendications 1 à 3, dans lequel le système de localisation d’émetteurs radar (12) fonctionne dans le domaine radiofréquence. 4. Assembly according to any one of claims 1 to 3, wherein the radar transmitter location system (12) operates in the radiofrequency domain.
5. Ensemble selon l’une quelconque des revendications 1 à 4, dans lequel le réseau de neurones artificiels mis en œuvre par le module de mesure de direction d’arrivée (24) est du type « Multi Layer Perceptron ». 5. An assembly according to any one of claims 1 to 4, wherein the artificial neural network implemented by the arrival direction measurement module (24) is of the "Multi Layer Perceptron" type.
6. Ensemble selon l’une quelconque des revendications 1 à 5, dans lequel la plateforme mobile (12) est un drone (14). 6. An assembly according to any one of claims 1 to 5, wherein the mobile platform (12) is a drone (14).
7. Ensemble selon l’une quelconque des revendications 1 à 6, dans lequel la chaîne de réception (20) comporte une pluralité d’antennes (21) et une pluralité de récepteurs (22), chaque récepteur étant associé à une unique antenne, le flux de données produit par la pluralité de récepteurs étant appliqué en entrée d’un calculateur (25), ledit calculateur comportant le module de mesure de direction d’arrivée (24) et éventuellement un module de prétraitement (23) en amont du module de mesure de direction d’arrivée. 7. An assembly according to any one of claims 1 to 6, wherein the reception chain (20) comprises a plurality of antennas (21) and a plurality of receivers (22), each receiver being associated with a single antenna, the data stream produced by the plurality of receivers being applied to the input of a computer (25), said computer comprising the module for measuring the direction of arrival (24) and possibly a preprocessing module (23) upstream of the module direction of arrival measurement.
8. Ensemble selon l’une quelconque des revendications 1 à 7, dans lequel le flux de données est constitué par des échantillons temporels du signal radioélectrique incident. 8. An assembly according to any one of claims 1 to 7, wherein the data stream consists of time samples of the incident radio signal.
9. Procédé de mesure de direction d’arrivée - DoA (100) d’un signal radioélectrique incident sur un système de de localisation d’émetteurs radar (12), caractérisé en ce que, en utilisant un ensemble (10) selon l’une quelconque des revendications 1 à 8, le procédé comporte les étapes consistant à : 9. Method of measuring the direction of arrival - DoA (100) of a radioelectric signal incident on a system for locating radar transmitters (12), characterized in that, using an assembly (10) according to the any of claims 1 to 8, the method comprises the steps of:
- déplacer (105) la plateforme mobile (14) autour de du système de localisation d’émetteurs radar (12) ; - move (105) the mobile platform (14) around the radar transmitter location system (12);
- commander (110) la plateforme mobile (14) pour émettre au moins un signal électromagnétique de référence et simultanément un signal lumineux ; - Controlling (110) the mobile platform (14) to emit at least one reference electromagnetic signal and simultaneously a light signal;
- mesurer (120), par le système de de localisation d’émetteurs radar (12), la direction d’arrivée vraie du signal radioélectrique de référence à partir de la détection du signal lumineux ; - measuring (120), by the radar transmitter location system (12), the true direction of arrival of the reference radio signal from the detection of the light signal;
- obtenir (130), système de de localisation d’émetteurs radar (12), un flux de données en sortie de la chaîne de réception (20) du système de localisation d’émetteurs radar (12) à partir de la détection du signal radioélectrique de référence ; - Obtain (130), radar transmitter location system (12), a data stream at the output of the reception chain (20) of the radar transmitter location system (12) from the detection of the signal reference radio;
- étiqueter (140) le flux de données obtenu avec la direction d’arrivée vraie mesurée et stocker le flux de données étiqueté en tant que données d’entraînement dans une base de données d’apprentissage (40) ; - tagging (140) the obtained data stream with the measured true direction of arrival and storing the tagged data stream as training data in a training database (40);
- puis, une fois que le nombre de données d’entraînement dans la base de données d’apprentissage est suffisant, optimiser (150) les paramètres du réseau de neurones artificiels de l’algorithme du module de mesure de direction d’arrivée (24) du système de localisation d’émetteurs radar (12) à partir des données d’entraînement de la base de données d’apprentissage (40) ; et, - une fois que ledit réseau de neurones artificiels est convenablement paramétré, utiliser le système de localisation d’émetteurs radar (12) pour mesurer la direction d’arrivée d’un signal radioélectrique incident quelconque. - then, once the number of training data in the training database is sufficient, optimize (150) the parameters of the artificial neural network of the algorithm of the direction of arrival measurement module (24 ) the system for locating radar transmitters (12) from the training data of the training database (40); and, - Once said artificial neural network is suitably configured, using the radar transmitter location system (12) to measure the direction of arrival of any incident radio signal.
EP20820438.8A 2019-12-11 2020-12-10 Assembly comprising a transmitter location system and a mobile platform; associated transmitter location system, mobile platform and method for measuring direction of arrival Withdrawn EP4073533A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1914146A FR3104733B1 (en) 2019-12-11 2019-12-11 ASSEMBLY COMPRISING A TRANSMITTER LOCATION SYSTEM AND A MOBILE PLATFORM; ASSOCIATED TRANSMITTER LOCATION SYSTEM, MOBILE PLATFORM AND ARRIVAL DIRECTION MEASUREMENT METHOD
PCT/EP2020/085583 WO2021116312A1 (en) 2019-12-11 2020-12-10 Assembly comprising a transmitter location system and a mobile platform; associated transmitter location system, mobile platform and method for measuring direction of arrival

Publications (1)

Publication Number Publication Date
EP4073533A1 true EP4073533A1 (en) 2022-10-19

Family

ID=70456855

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20820438.8A Withdrawn EP4073533A1 (en) 2019-12-11 2020-12-10 Assembly comprising a transmitter location system and a mobile platform; associated transmitter location system, mobile platform and method for measuring direction of arrival

Country Status (3)

Country Link
EP (1) EP4073533A1 (en)
FR (1) FR3104733B1 (en)
WO (1) WO2021116312A1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113534132B (en) * 2021-07-16 2023-02-10 西安电子科技大学 Adaptive unmanned aerial vehicle direction of arrival estimation method
CN113970718A (en) * 2021-10-27 2022-01-25 东南大学 Array super-resolution direction of arrival estimation method

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5768477A (en) * 1996-09-10 1998-06-16 Southwest Research Institute Radio direction finding system for narrowband multiple signals
US10529241B2 (en) * 2017-01-23 2020-01-07 Digital Global Systems, Inc. Unmanned vehicle recognition and threat management
CN111433627B (en) * 2018-04-05 2023-09-22 谷歌有限责任公司 Intelligent device-based radar system using machine learning to perform angle estimation

Also Published As

Publication number Publication date
FR3104733B1 (en) 2022-03-18
FR3104733A1 (en) 2021-06-18
WO2021116312A1 (en) 2021-06-17

Similar Documents

Publication Publication Date Title
EP2122388B1 (en) Device and method for locating a mobile approaching a surface reflecting electromagnetic waves
FR2833356A1 (en) Surface wave radar system for use in coastal area, has data processing system to process data representing receive signals to mitigate ionospheric clutter
EP3203267B1 (en) Method for calibrating a satellite radionavigation receiver
EP3047298B1 (en) Method for detecting targets and associated multifunction radar
WO2020136258A1 (en) Device for generating a simulated sea-clutter data set, and associated method and computer program
EP4073533A1 (en) Assembly comprising a transmitter location system and a mobile platform; associated transmitter location system, mobile platform and method for measuring direction of arrival
EP1751574B1 (en) Method for tracking a transmitter by means of a synthetic gap antenna network
WO2006123042A2 (en) Cross antenna comprising linear sub-antennas and associated processing for airborne radar
EP2544020B1 (en) Method and device for detecting a target masked by high-energy reflectors
EP3356840B1 (en) Method for determining characteristics of an electromagnetic wave
EP1227333A1 (en) Method and device to locate a ground-based emitter from a satellite
EP1324065B1 (en) Method for passively finding the position of a target and especially for air-air locating
EP0478424B1 (en) Method and device to measure the integrity of a transmission
CA2389899C (en) Repointing process for reflective array antenna
CN114966674A (en) Staring radar low-altitude target height measurement method based on transmitted waveform information
CN112183205B (en) Distributed radar high-precision angle measurement method and system
Cattenoz MIMO radar processing methods for anticipating and preventing real world imperfections
FR3030773B1 (en) METHOD FOR IDENTIFYING POSITIONS OF OBJECTS IN AN ENVIRONMENT
CN116256714B (en) Electromagnetic scattering characteristic measurement method and device based on radar imaging
EP3470871B1 (en) Method for detecting radar signals
Mrozack et al. Compressive and adaptive millimeter-wave SAR
EP4119971A1 (en) Method for calibrating an airborne goniometry for low frequencies
CN117233698A (en) High-precision DOA estimation method of long-short-scale double-channel convolutional neural network
EP2605420A1 (en) Method for separating electromagnetic emissions produced by a plurality of emitters
McKean et al. Calibration of LOFAR

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220609

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20230131