Vous êtes sur la page 1sur 161

THÈSE

Pour l'obtention du grade de


DOCTEUR DE L'UNIVERSITÉ DE POITIERS
UFR des sciences fondamentales et appliquées
XLIM-SIC
(Diplôme National - Arrêté du 7 août 2006)

École doctorale : Sciences et ingénierie pour l'information, mathématiques - S2IM (Poitiers)


Secteur de recherche : Optoélectronique et micro-ondes

Présentée par :
Kaoutar El Hariri Essamlali

Modélisation hybride du canal de propagation


dans un contexte industriel

Directeur(s) de Thèse :
Yannis Pousset, Pierre Combeau

Soutenue le 19 décembre 2014 devant le jury

Jury :

Président Thierry Monédière Professeur des Universités, Université de Limoges

Rapporteur Laurent Clavier Professeur des Universités, Télécom Lille

Rapporteur Yvan Duroc Professeur des Universités, Université de Lyon 1

Membre Yannis Pousset Professeur des Universités, Université de Poitiers

Membre Pierre Combeau Maître de conférences, Université de Poitiers

Membre Denis Dessales Ingénieur, Schneider Electric

Pour citer cette thèse :


Kaoutar El Hariri Essamlali. Modélisation hybride du canal de propagation dans un contexte industriel [En ligne].
Thèse Optoélectronique et micro-ondes. Poitiers : Université de Poitiers, 2014. Disponible sur Internet
<http://theses.univ-poitiers.fr>
Université de Poitiers

N◦ attribué par la bibliothèque

THÈSE
pour obtenir le grade de
Docteur de l’Université de Poitiers
Spécialité : Optoélectronique et Micro-ondes
préparée au laboratoire XLIM-SIC, UMR CNRS 7252
dans le cadre de l’École Doctorale Sciences et ingénierie pour l’information,
mathématiques

présentée et soutenue publiquement


par

EL HARIRI ESSAMLALI Kaoutar


le 19 décembre 2014

Titre:
Modélisation Hybride du canal de propagation dans un contexte
industriel

Directeur de thèse: YANNIS POUSSET


Co-encadrant de thèse: PIERRE COMBEAU

Jury
M. Laurent CLAVIER, Professeur des Universités, TELECOM Lille, Rapporteur
M. Yvan DUROC, Professeur des Universités,Université de Lyon, Rapporteur
M. Denis DESSALES, Ingénieur, Schneider Electric, Examinateur
M. Thierry MONEDIERE, Professeur des Universités,Université de Limoges, Examinateur
M. Yannis POUSSET, Professeur des Universités,Université de Poitiers, Examinateur
M. Pierre COMBEAU, Maître de Conférences, Université de Poitiers, Examinateur
Remerciement

A l’issue de l’obtention de mon doctorat, je suis convaincue que la thèse est loin d’être un travail solitaire.
En effet, je n’aurais jamais pu réaliser ce travail doctoral sans le soutien d’un grand nombre de personnes
dont la générosité, la bonne humeur et l’intérêt manifestés à l’égard de ma recherche m’ont permis de
progresser dans cette phase d’apprenti-chercheur et enseignant.
En premier lieu, je tiens à remercier mon directeur de thèse et mon co-encadrant, messieurs Yannis
Pousset et Pierre Combeau, pour la confiance qu’ils m’ont accordée en acceptant d’encadrer ce travail
doctoral, pour leurs multiples conseils et pour toutes les heures qu’ils ont consacrées à diriger cette
recherche. J’aimerais également leur dire à quel point j’ai apprécié leur grande disponibilité. Enfin, j’ai
été extrêmement sensible à leurs qualités humaines d’écoute et de compréhension tout au long de ce
travail doctoral ainsi que l’esprit scientifique qu’il m’ont transmis.
En second lieu, je tiens á remercier les professeurs Rodolphe Vauzelle et Majdi Khoudeir pour les
conseils stimulants que j’ai eu l’honneur de recevoir de leur part.
Messieurs Yvan Duroc et Laurent Clavier, pour m’avoir fait l’honneur d’être rapporteurs de cette thèse.
Je leur exprime ma profonde reconnaissance d’avoir accepté cette lourde tâche.
Messieurs Thierry Monedière, Denis Dessales pour avoir accepté de faire partie du jury de cette thèse en
tant qu’examinateurs. Je suis honoré pour l’intérêt qu’ils ont porté à ce travail.
Ces années passées à Poitiers n’auraient pas été aussi agréables sans l’ensemble des membres du labora-
toire XLIM-SIC. Un grand merci à eux et plus particulièrement aux membres de l’équipe Syscom pour
leur soutien inconditionnelle et encouragement.
Mes vifs remerciements vont également à tous ceux que j’ai cotoyé durant mon service à l’IUT de
Châtellerault, notamment madame Anne-Sophie Capelle, messieurs Laurent Rey, Florent Camarda et
Sebastien Couderc Turq.
Un énorme merci également à mon docteur, Madame Anne-Marie Poussard, Maître de conférence de
l’université de Poitiers :)
Je remercie également monsieur Philippe Dubois pour son aide, ses encouragement et surtout pour nos
longues discussions. Je profite aussi pour remercier sa douce Nicole pour les bons moments qu’on a
partagés.
Merci aussi à mes chers collègues de bureau et amis : JF, Pierre, Xiang, Léopold, Romain, Marco, James
et Samy. Et puis à tous ceux sans qui la vie au labo n’aurait pas eu la même saveur : Jo, Virginie,
Bader, Tiguiane, Dimitri, Alex, Audrey, Maxime, Thomas, Romu, Syntyche, Naty, Riadh, Maroua, Najib,
Abdeslam, Alice, Michael, Abou, Albekay, Bruno, Yohan, Clency, Noel, Hakim, Rita ,Daniel, Yassine,
Youness, Rime, Gessie et Mandana.
Mes derniers (mais pas les moins méritants) vont vers ma famille, plus particulièrement à mes parents,
mon frère, mes sœurs, Hind et Mehdi qui m’ont toujours soutenu. Leur présence et leurs encouragements
sont pour moi les piliers fondateurs de ce que je suis et de ce que je fais.

iii
A mes chers Yannis et Pierre
Samia et Omar

v
Table des matières

Introduction 1

Chapitre 1 Contexte et état de l’art 3


1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Les télécommunications filaires au service du secteur industriel . . . . . . . . . . . . . . 5
2.1 Rôle de l’industrie dans l’économie . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Développement des réseaux industriels . . . . . . . . . . . . . . . . . . . . . . 7
3 Évolution vers un support de transmission sans fil . . . . . . . . . . . . . . . . . . . . . 13
3.1 Différents supports de transmission sans fil . . . . . . . . . . . . . . . . . . . . 13
3.2 Avantages et challenges des réseaux sans fil . . . . . . . . . . . . . . . . . . . . 14
3.3 Les réseaux radios et leurs applications dans l’industrie . . . . . . . . . . . . . . 15
4 Le canal de propagation sans fil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1 Phénomène de multi-trajets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2 Réponse impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3 Relation entre l’environnement et la dispersion des retards . . . . . . . . . . . . 28
5 Modèles de propagation existants dans un contexte industriel . . . . . . . . . . . . . . . 28
5.1 Modèles déterministes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2 Modèles statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Bibliographie 39

Chapitre 2 Concept du modèle hybride 43


1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2 Étude préliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.1 Présentation du modèle déterministe . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2 Présentation du modèle WINNER . . . . . . . . . . . . . . . . . . . . . . . . . 50

vii
Table des matières

2.3 Comparaison des deux modèles . . . . . . . . . . . . . . . . . . . . . . . . . . 60


3 Approches de partitionnement spatial de l’environnement dans la littérature . . . . . . . 63
4 Hypothèse de partitionnement spatial en environnement industriel . . . . . . . . . . . . 64
5 Principe général du modèle proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

Bibliographie 73

Chapitre 3 Modélisation du volet statistique du modèle hybride 75


1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2 Construction du modèle statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.1 Démarche suivie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.2 Données issues du simulateur . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.3 Répartition des données en clusters . . . . . . . . . . . . . . . . . . . . . . . . 78
2.4 Méthode de validation de la répartition des données en clusters . . . . . . . . . . 83
2.5 Identification des lois statistiques . . . . . . . . . . . . . . . . . . . . . . . . . 86
3 Génération des coefficients du canal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4 Pré-validation du modèle hybride . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

Bibliographie 99

Chapitre 4 Validation du modèle hybride 101


1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2 Étude comparative entre le modèle hybride et déterministe . . . . . . . . . . . . . . . . 103
3 Présentation de la campagne de mesures . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.1 Site de mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.2 Fréquence porteuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.3 Positions des antennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.4 Description du banc de mesures . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.5 Traitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4 Comparaison avec le modèle hybride . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.1 Réduction du temps de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

Chapitre 5 Évaluation de la robustesse du modèle hybride et de WINNER 119


1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
2 Conditions des simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
2.1 Présentation des scènes industrielles . . . . . . . . . . . . . . . . . . . . . . . . 121

viii
2.2 Paramètres des simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
2.3 Traitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3 Résultats de la comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.1 Ancienne implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.2 Nouvelle implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
3.3 Ancienne implantation simplifiée . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.4 Temps de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Conclusion générale et perspectives 129

Annexe A Paramètres du modèle WINNER 133

Annexes 133

Annexe B Coefficients et lois statistiques associées modélisant le retard et les angles 135

Annexe C Coefficients et lois statistiques associées modélisant la puissance 139

Table des figures 143

Liste des tableaux 147

ix
Introduction

Les nouvelles technologies et internet occupent de plus en plus de place dans notre vie quotidienne,
changeant nos habitudes aussi bien sur un plan privé comme professionnel. Le monde industriel à son
tour s’oriente de plus en plus vers des usines connectées pour faire face à la concurrence des pays à faible
coût de production. La généralisation de la robotisation et de l’automatisation permet de viser le zéro dé-
faut mais pas seulement. Elle a aussi pour conséquence une réelle traçabilité des produits aux différentes
étapes de production. Cette visibilité en temps réel des processus à tous les niveaux de l’entreprise per-
met d’améliorer la productivité, la qualité et la sécurité. Dans le cadre de cette thèse, nous nous sommes
intéressés aux applications industriels de maintenance, de contrôle et de gestion des stocks. Dans ce type
d’applications, la communication se fait entre une station de base et plusieurs récepteurs répartis dans
l’usine. Nous avons pris comme principal exemple, une flotte de véhicules autonomes guidés qui peuvent
être des chariots élévateurs ayant une hauteur d’environ 1 m ou des petits robots mobile d’une hauteur
d’une vingtaine de centimètre.

Objectif et Problématique
Au vu de l’intérêt croissant envers la connexion des objets dans l’industrie, il est nécessaire de mener des
études sur le canal de propagation dans ces milieux car il est l’élément clé dans la mise en œuvre d’un
système de communication sans fil. Ces milieux industriels bien qu’indoors, sont différents des milieux
indoor classiques de type bureau, où ce genre de communication est très répandu et connaît de bonnes
performances. Cette différence découle du fait de la dimension des usines et des entrepôts ainsi qu’à
la présence en masse des matériaux métalliques qui constituent les principaux obstacles rencontrés dans
ces environnements. Cette différence rend les modèles de propagation indoor existants non-opérationnels
puisque la propagation dépend fortement de l’architecture du bâtiment. Ainsi, quelques travaux concer-
nant le canal de propagation en industrie ont été publiés. Ces travaux ont proposé des études sous forme
de campagnes de mesures ou des propositions de modèles de propagation. Dans la littérature, trois types
de modèle existent : déterministe, statistique et hybride. Les modèles déterministes se caractérisent par
leurs traitements purement déterministes des paramètres de l’environnement. La propagation des ondes
est simulée à partir de la description géométrique précise de l’environnement et la connaissance de ses
propriétés électromagnétiques. Cependant, ces modèles posent encore des problèmes dus au manque de

1
Introduction

flexibilité et à la complexité de calcul surtout dans des environnements industriels confinés. Contraire-
ment aux modèles déterministes les modèles statistiques n’ont pas besoin d’informations sur l’environ-
nement et leurs temps de calcul est rapide. Par contre, leur inconvénient réside dans la précision des
calculs. Pour combler les inconvénients de ces deux familles de modèles (temps de calculs pour les mo-
dèles déterministe et précision des résultats quant aux modèles statistiques) nous proposons un modèle
hybride. Le principe de ce modèle consiste à trouver un bon compromis entre ces deux paramètres :
précision et rapidité. Ainsi, dans le cadre de cette thèse, nous avons choisi de proposer un modèle de
propagation hybride basé sur l’association d’un modèle déterministe à tracer de rayons et d’un modèle
statistique. Ce modèle prend en considération deux hauteurs de réception : 1,1 m et 0,25 m correspondant
aux applications : une flotte de véhicules autonomes par exemple des chariots élévateurs d’une hauteur
moyenne d’un mètre ou des robots mobiles d’une faible hauteur de 0,25 m.

Démarche et Plan
Cinq chapitres composent ce mémoire :
La premier chapitre présente le rôle des systèmes de communication en industrie et leur évolution du
filaire au sans fil. Nous présentons un état de l’art sur les différents standards de communications exis-
tants, d’abord les filaires ensuite les sans fil, leurs avantages et les applications qu’ils proposent.
Ensuite nous rappelons les principales caractéristiques du canal de propagation. Puis nous présentons les
modèles de propagation existants dans un contexte industriel.
Le deuxième chapitre commence par une étude comparative entre un modèle déterministe à tracer de
rayons et un modèle statistique nommé WINNER, dans un milieu industriel. Ensuite, la présentation
du concept de notre modèle hybride basé sur l’association d’un modèle déterministe et d’un deuxième
statistique est proposé. Il se caractérise par une subdivision du cas NLOS en deux sous cas de non-
visibilité : faible et forte. Nous présentons dans ce chapitre la méthode ainsi que les arguments qui nous
ont aiguillés vers cette proposition de partitionnement spatial.
Nous expliquons dans le troisième chapitre les différentes phases ayant servi à la modélisation du vo-
let statistique de notre modèle ; ensuite nous présentons les étapes nécessaires pour la génération des
coefficients du canal. Enfin, nous expliquons la démarche suivie pour finaliser la calibration de notre
modèle.
Afin de valider notre modèle, nous présentons dans le quatrième chapitre une comparaison entre le mo-
dèle déterministe et notre modèle hybride. Pour cela, nous comparons la dispersion des retards dans
différentes configurations de réception. Une fois, le modèle validé, nous le comparons à la mesure.
Dans le cinquième chapitre nous testons la robustesse du modèle hybride et celle du modèle WINNER
dans trois environnements industriels différents. Ces environnements se distinguent par leur niveau de
description. Enfin, nous terminons ce manuscrit par une conclusion et quelques perspectives.

2
Chapitre 1
Contexte et état de l’art

Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Les télécommunications filaires au service du secteur industriel . . . . . . . . . . . 5
2.1 Rôle de l’industrie dans l’économie . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Développement des réseaux industriels . . . . . . . . . . . . . . . . . . . . . 7
3 Évolution vers un support de transmission sans fil . . . . . . . . . . . . . . . . . . 13
3.1 Différents supports de transmission sans fil . . . . . . . . . . . . . . . . . . . 13
3.2 Avantages et challenges des réseaux sans fil . . . . . . . . . . . . . . . . . . . 14
3.3 Les réseaux radios et leurs applications dans l’industrie . . . . . . . . . . . . . 15
4 Le canal de propagation sans fil . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1 Phénomène de multi-trajets . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2 Réponse impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3 Relation entre l’environnement et la dispersion des retards . . . . . . . . . . . 28
5 Modèles de propagation existants dans un contexte industriel . . . . . . . . . . . . 28
5.1 Modèles déterministes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2 Modèles statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3
1. Introduction

1 Introduction

Ce chapitre présente le contexte et l’état de l’art de ce travail de thèse qui concerne les communica-
tions dans les réseaux industriels. Pour mieux comprendre l’intérêt de l’intégration des communications
sans fil dans ces milieux un aperçu du rôle des télécommunications filaires dans le secteur industriel
sera d’abord présenté. Ensuite, une description globale de ces milieux sera réalisée afin de présenter
les différences qui existent entre les milieux industriels et les environnements indoor classiques tels que
les bureaux ou les maisons dans lesquels ce type de communication est largement répandu. Une fois le
contexte clairement défini, nous aborderons les différents standards de communications filaires et leur
évolution vers un support de transmission sans fil. Nous présentons également les applications existant
dans ces milieux ainsi que leurs besoins.
Enfin, pour terminer ce chapitre nous montrons l’intérêt de la modélisation du canal de propagation
radio nécessaire au déploiement d’un système de communication sans fil dans ce contexte d’étude. Nous
rappelons également brièvement les principaux phénomènes physiques du canal de propagation radio.
Ensuite, nous présentons les différents modèles de canaux généralement utilisés en industrie ainsi que
les qualités et défauts qui leur sont associés.

2 Les télécommunications filaires au service du secteur industriel

2.1 Rôle de l’industrie dans l’économie

«Il ne peut y avoir d’économie forte sans industrie forte»


Ex-premier ministre Jean-Marc AYRAULT.

Tous les économistes reconnaissent le rôle majeur que joue l’industrie et ne la considèrent pas comme les
autres secteurs d’activité. Elle demeure un des principaux moteurs de l’activité économique en termes
de valeur ajoutée et d’emploi. On peut évaluer l’importance de ce secteur, dans les pays de l’union
européenne, en se référant à la figure 1.1 qui illustre le pourcentage de la part de l’industrie dans le
Produit Intérieur Brut (PIB). On constate que la France est le troisième pays où la part de l’industrie

Figure 1.1 – Part de l’industrie en pourcentage du PIB

5
Chapitre 1. Contexte et état de l’art

est la plus faible de la zone euro. Elle ne représente que 18.5% du PIB en 2012 alors qu’en 2002 elle
en représentait 26% contre à cette même date 31% en Allemagne, 33% en Autriche, 30% en Italie et
26% aux Pays-Bas. Cette baisse est bien évidemment liée au coût salarial unitaire 1 mais ce n’est pas
l’unique raison. Si l’on s’intéresse à l’innovation et la recherche dans ce secteur en évaluant la part des
dépenses en Recherche et Développement (R&D) en % du PIB illustrée par la figure 1.2, au nombre
de chercheurs en % de la population et au nombre de brevet triadiques 2 par million d’habitant, on en
déduit qu’il y a un effet de corrélation entre la part de l’industrie et les indicateurs de l’innovation.
Normalement plus l’industrie détient une part importante du PIB, plus les dépenses en R&D et le nombre
de brevets triadiques sont élevés et permettent ainsi à l’industrie de résister face à la concurrence. Ce
n’est malheureusement pas le cas de la France. Malgré des investissements relativement élevés en R&D,
elle reste très loin des leaders de l’innovation en Europe et dans le monde. Pour cela, la solution qui
s’impose est de muter vers une industrie à plus forte valeur ajoutée, basée entre autre sur l’innovation.
Parmi les récentes innovations qui ont remarquablement marqué ce secteur, on peut noter l’intégration

Figure 1.2 – Dépense en R&D en pourcentage du PIB

du numérique. Il est désormais au cœur de tous les processus d’innovation et on parle même d’une
révolution numérique qui vise à rendre les usines intelligentes (smart factories) capables d’une plus
grande adaptabilité dans la production et d’une allocation plus efficace des ressources, ouvrant ainsi la
voie à la quatrième révolution industrielle qui est en train de prendre forme à l’aube du XXI ième siècle et
qui sera mûre au plus tôt vers 2020 [GIM+13]. Ce mouvement est aussi appelé «industrie 4.0», «cyber-
usine», «usine digitale», «usine connectée», «Integrated Industry» ou «Innovation Factory». Il se base
sur le principe de l’Internet of Things (IOT) dit aussi l’Internet des Objets (IdO) où les machines, les sites
et les processus communiquent en continu ; tout ceci consiste alors en une sorte de «réseau social» pour
objets. L’internet des objets est un prolongement du concept de «Machine to Machine» qui se définit
de façon générale comme étant l’association des Technologies de l’Information et de la Communication
(TIC) avec des objets dits communicants et intelligents dans le but de leur fournir les moyens d’interagir
sans intervention humaine. Étant une technologie émergente, sa définition continue d’évoluer mais elle
se réfère en général à la télémétrie ou à la télématique. Cette technologie fonctionne en utilisant des
1. Le coût salarial unitaire correspond au coût salarial total (salaire moyen par tête x nombre de salariés) divisé par les
quantités produites.
2. Les familles de brevets triadiques désignent les inventions qui jouissent d’une protection sur l’ensemble des trois grands
marchés de la triade que constituent les États-Unis, l’Union européenne et le Japon.

6
2. Les télécommunications filaires au service du secteur industriel

réseaux filaires et de plus en plus non filaires, utilisant en particulier les réseaux sans fil publics comme
nous le verrons dans la section 3.3.1.

2.2 Développement des réseaux industriels

Un réseau de communication peut être défini comme l’ensemble des ressources matériels et logiciels
liées à la transmission et l’échange d’information entre différentes entités. Suivant leur organisation ou
architecture, les distances, les débits de transmission et la nature des informations transmises, les réseaux
font l’objet d’un certain nombre de spécifications et normes. Les réseaux de communications peuvent
donc être classés en fonction du type d’informations transportées et de la nature des entités impliquées.
On distingue ainsi trois principales catégories de réseaux : les réseaux de télécommunications, les réseaux
de télédiffusion et les réseaux téléinformatiques. On peut aussi les distinguer en fonction de la distance
entre les équipements : réseau longue distance (Wide Area Network : WAN), les réseaux métropolitains
(Metropolitan Area Network : MAN) et les réseaux locaux (Local Area Network : LAN).
Un réseau local industriel (RLI) désigne un réseau de communication de type LAN où les entités qui
communiquent entre elles, pour partager des informations, sont localisées dans un environnement indus-
triel (une usine de production, un hangar, une manufacture, un entrepôt, etc). Selon le type d’application,
les entités qui communiquent peuvent être des ordinateurs comme dans les réseaux informatiques mais
le plus souvent il s’agit d’Automates Programmables Industriels (API), de systèmes montés sur rail, de
capteurs ou d’équipements mobiles automatisés. Ces milieux se caractérisent par leurs dimensions : des
espaces plus grands et plus ouverts qu’en milieu indoor classique de type bureau ou maison, où la hauteur
des bâtiments évolue approximativement entre 6 et 8 m. Il a été indiqué dans [TAN+08] que les usines
sont peu partitionnées, avec de grandes pièces. La taille et le poids des équipements imposent souvent
une structure sur un seul étage, ce qui réduit la communication entre les étages. Cette structure sur un
seul étage élimine le besoin des cages d’escalier dans la majorité des espaces de travail. On trouve des
escaliers dans les usines pour aller par exemple à un étage contenant des bureaux ou un réfectoire mais
dans ce cas ils ne seront pas considérés comme une partie du milieu industriel. Les couloirs sont souvent
perpendiculaires avec généralement des machines ou des produits stockés le long des murs. Le sol est en
béton sur lequel on retrouve une multitude de machines, des objets mobiles et des matériaux métalliques
qui rendent le milieu encombré, perturbé et aussi pollué par les ondes électromagnétiques provenant
des différents appareils. Le plafond est composé de gaines, de poutres, des rails d’alimentations, des
éclairages et de leurs supports ainsi que des conduits d’aération.
D’un point de vue chronologique, le développement des réseaux industriels est étroitement lié à l’évo-
lution des concepts intrinsèques à la production, notamment l’émergence et le développement de l’ap-
proche productique 3 , ainsi qu’à l’évolution technologique des matériels de production et des matériels
informatiques. Nous retraçons brièvement ci dessous quelques étapes importantes dans le développement
des réseaux industriels [VIE+12].
Années 60 :
Dans les années 60, les pays dits industrialisés, plaçaient les industries et les entreprises comme pi-
3. Le néologisme «productique» a été créé en 1979 par la société Philips Data Systems pour désigner les applications
informatiques dans le domaine de la production industrielle. Il provient de l’amalgame des mots « production » et « informatique
»

7
Chapitre 1. Contexte et état de l’art

vots de la société et avaient une forte croissance économique. Cette dernière a conduit les entreprises
à développer les systèmes automatisés dans l’objectif d’accroître leur productivité. Ainsi, les premiers
réseaux primitifs ont émergé avec l’apparition des systèmes de commande programmables : Automates
Programmables Industriels (API), Directeurs de Commande Numériques (DCN) et des Machines Outils
à Commande Numérique (MOCN).
Ces réseaux qualifiés d’élémentaires avaient pour rôle principal l’interconnexion de deux équipements :
entre un calculateur et des automates ou entre un calculateur et des instruments de mesure par exemple,
et possédaient pour principales vocations, d’une part le téléchargement de programmes à destination
d’API ou de DCN pour éviter d’immobiliser ces matériels pendant la phase de création et de saisie des
programmes, et d’autre part l’acquisition de données depuis des systèmes de métrologie afin de pouvoir
traiter ces données hors ligne et archiver des résultats de mesure [SCH+02].
Années 70 :
Dans les années 70, l’accroissement du souci de la rentabilité des matériels ainsi que la poursuite du dé-
veloppement de l’automatisation des systèmes de production ont engendré le besoin d’interconnecter les
systèmes de production et de superviser leur fonctionnement. De ce fait les premiers réseaux industriels
inter-connectant plusieurs matériels de natures homogènes, c’est à dire provenant du même fabricant
ou hétérogènes, sont apparus. Les premiers réseaux étaient essentiellement des réseaux propriétaires,
développés par des fabricants de matériels d’automatismes [SCH+02].
Années 80 :
Jusque dans les années 80, les automatismes s’appuyaient sur des API qui traitaient essentiellement
des fonctions séquentielles. Les automatismes centralisés géraient tout un ensemble de fonctions qui
n’avaient pas nécessairement d’interactions entre elles tel qu’illustrée par la figure 1.3. Dans cet exemple
un seul automate gère les machines des deux ateliers de l’usine. Pour intégrer une machine supplé-
mentaire, les automaticiens vérifiaient simplement si l’automate ou le système d’automatisme en place
pouvaient gérer les Entrées/Sorties (E/S) supplémentaires et la capacité de mémoire disponible.
Ces automatismes centralisés créaient de nombreuses contraintes du fait de l’absence d’autonomie des
différents sous-ensembles, ce qui entraînait une mise en service et une maintenance difficiles étant donné
la quantité d’E/S à gérer. De plus, un défaut système de l’API ou l’arrêt pour maintenance du moindre élé-
ment de l’outil de production engendre l’arrêt de l’ensemble des fonctions gérées par l’API [SCH+02].
Les contraintes imposées par les systèmes centralisés ont donc conduit les industriels à s’orienter vers
une segmentation de l’architecture. La segmentation consiste en un découpage de l’automatisme en plus
petites entités fonctionnelles. La figure 1.4 reprend l’exemple précédant de l’usine qui contient des ma-
chines réparties dans deux ateliers. Ici, des automatismes décentralisés gèrent les machines et un concen-
trateur (ou Automate Concentrateur) monté en réseau regroupe les informations concernant la produc-
tion afin de servir un superviseur 4 et d’améliorer les performances de temps de réponse 5 du réseau. Le
concentrateur permet également d’éviter le développement de programmes spécifiques dans chacun des
automates du réseau. L’avantage de cette structure réside dans la simplification de la gestion des E/S.
Ainsi, le nombre réduit d’E/S par automate facilite la mise en service et la maintenance. Toutefois, cette
décentralisation a généré le besoin de communication entre les entités fonctionnelles. Ainsi, les Réseaux

4. AUTOMATE PROGRAMMABLE mais plus souvent MINI ou MICRO-ORDINATEUR INDUSTRIEL raccordé à un


réseau d’AUTOMATES et qui gère ou simplement surveille la production.
5. Il désigne le temps nécessaire à un paquet de données pour passer de la source à la destination à travers un réseau

8
2. Les télécommunications filaires au service du secteur industriel

Figure 1.3 – Les automates centralisés

Locaux Industriels (RLI) ont été crée afin d’assurer efficacement la communication entre les différents
API dans une usine ou tout système de production. Les RLI servent à connecter divers automates pour
assurer la commande, la surveillance, la supervision, la conduite, la maintenance, le suivi de produit, la
gestion, en un mot l’exploitation de l’installation de production. L’étape qui a suivi a concerné la topolo-

Figure 1.4 – Les automates décentralisés

gie des automatismes et plus exactement la décentralisation des E/S des automatismes. Cette étape a eu
lieu suite à la demande des industriels pour faire baisser les prix du câblage, car sur des sites plus éten-
dus il est souvent nécessaire de gérer un nombre important de capteurs/actionneurs loin des automates
tout en prenant en compte les fonctions des modules. En guise de réponse, les constructeurs d’automa-
tismes ont proposé les réseaux et bus de terrain qui sont des standards de transmission reliant entre eux
l’ensemble des composants ou appareils (actionneurs/capteurs), quelque soit leur fonction, afin de véhi-
culer ou échanger toutes sortes d’informations en rapport avec la commande ou le contrôle du processus
industriel. La figure 1.5 montre un exemple où les E/S de l’automate du deuxième atelier sont gérées
via un réseau de terrain. Ces réseaux de terrain contribuent à réaliser des gains de câblage importants,
mais surtout ils permettent de rendre accessibles des services tels que le diagnostic, la maintenance ou
la programmation sur tout le site. Ces réseaux de terrain ont permis de gérer dans un premier temps des
E/S décentralisées, puis la périphérie d’automatisme (variateurs, robots, axes ...). Suite à ces évolutions

9
Chapitre 1. Contexte et état de l’art

Figure 1.5 – La décentralisation des E/S et de la périphérie d’automatisme

le monde industriel est devenu dépendant de celui de l’informatique pour augmenter la productivité des
usines de fabrication. Ainsi, les réseaux locaux industriels propriétaires ont rapidement adopté des stan-
dards développés sur les architectures informatiques. Les liaisons séries "Recommended Standard (RS)"
ont d’abord été les premiers modes de communication entre ces deux mondes. Par la suite, la commu-
nication entre ces deux mondes a été faite par des produits issus de partenariats entre les constructeurs
d’automates programmables et les grandes sociétés d’informatique comme IBM, HP ou DEC [SCH+02].

2.2.1 Niveaux de communication

Les années 80 ont aussi été marquées par le concept de "Computer Integrated Manifacturing (CIM)"
associé à un Système Intégré de Production (SIP) [SCH+02] normalisé par la suite dans [IEC 61512]. Ce
concept permet de décrire l’organisation des différents systèmes (entreprise, site, zone, cellule de pro-
cessus, unité, module d’équipement, module de commande). Cet agencement est couramment représenté
sous forme d’une pyramide étagée comme l’illustre la figure 1.6 correspondant aux différents niveaux
de communication du système modélisé. Ce concept décrit la complète automatisation des processus de
fabrication stipulant ainsi que tous les équipements de l’usine fonctionnent sous le contrôle total des ordi-
nateurs, automates et autres systèmes numériques. De la sorte, tous les acteurs d’un processus industriel
sont censés communiquer entre eux. Les réseaux locaux industriels répondent aux besoins du système
d’automatisme (niveaux 0, 1 et 2), les réseaux informatiques et les systèmes de télécommunication ap-
paraissent dans les niveaux 3 et 4.
Ce concept n’a pas résolu la problématique liée à l’augmentation du trafic sur les médiums. En revanche,
il a permis de structurer les différentes fonctions dans l’entreprise. Cette structuration a conduit à une
meilleure estimation des besoins, de la nature et de l’importance des flux des données qui déterminent
les solutions de communications optimales à choisir dans les différents niveaux de la pyramide CIM. Cela
a permis aux constructeurs d’automates programmables de concevoir des réseaux et des bus adaptés au
besoin de chaque niveau du CIM comme l’illustre la figure 1.7.
Ainsi à chacun des niveaux de la pyramide correspond un bus ou un réseau :
• Les réseaux de niveau 0, appelés « sensor bus » ou « bus capteurs et actionneurs », sont des réseaux de

10
2. Les télécommunications filaires au service du secteur industriel

Figure 1.6 – Approche générique du concept de CIM

Figure 1.7 – Correspondance entre les niveaux du CIM et un bus ou réseau

bas niveau bien adaptés à l’automatisation d’un atelier, d’une ligne de production ou d’une machine.
Ces réseaux ont pour principaux objectifs de réduire les coûts de câblage, ainsi que de faciliter la
mise en service, le réglage, l’exploitation et la maintenance des équipements d’automatisme industriel
connectés. Les bus les plus couramment utilisés sont les bus CAN, AS-i, Interbus et P-Net.

11
Chapitre 1. Contexte et état de l’art

• Au niveau 1 correspondent des réseaux permettant la commande individuelle des machines et des
processus. Cela comprend la communication avec les équipements de terrain, c’est à dire avec les
capteurs et les actionneurs, mais aussi avec les automates programmables, les terminaux opérateurs
ou les applications de supervision de procédé. Les bus les plus couramment utilisés sont les bus FIP,
Profinet, Profibus et Unitelway.
• Les réseaux locaux industriels du niveau 2, ont pour rôle l’établissement de la communication entre
l’automatisme et le monde informatique. Ils permettent la commande centralisée des machines et des
processus. Les bus les plus couramment utilisés sont les bus Modbus+, Fipway et Ethway.
• Le niveau 3 est associé aux réseaux d’usine qui sont des réseaux locaux informatiques. Ils ont comme
tâche la gestion et la supervision de la production et des stocks ainsi que la planification de la pro-
duction. Dans ce niveau, on retrouve aussi les activités des bureaux d’études. Les réseaux les plus
couramment utilisés sont Ethernet, Wifi (norme 802.11) [JAU+06].
• Le niveau 4 concerne le système d’information de l’entreprise qui a pour rôle la gestion global de
l’entreprise.

2.2.2 Exigences des communications

La figure 1.8 illustre l’approche de la pyramide selon la quantité des données à traiter et le temps de
réponse associé. Le niveau 0 de la pyramide qui regroupe capteurs et actionneurs a besoin d’un transfert
performant de l’ordre de quelques millisecondes mais ne concerne que des données binaires donc peu
d’informations. Plus on monte vers le niveau 4, plus le temps de réponse et le volume des données est
important.

Figure 1.8 – Approche du concept de CIM selon le volume des données et du temps de réponse

La frontière entre le monde informatique et industriel a peu à peu disparu avec l’adoption progressive

12
3. Évolution vers un support de transmission sans fil

de standards communs. L’adoption des protocoles standard mondiaux Ethernet et TCP/IP et la prise en
compte de mécanismes normés a fait que la communication entre les deux mondes a convergé. Ces tech-
nologies alliées aux Extranet, Intranet et Internet permettent d’avoir accès aux données de l’automatisme
en temps réel et en tout lieu. Les contraintes des réseaux filaires liées notamment aux coûts de déploie-
ment des câbles ainsi qu’aux difficultés d’installations et d’évolution de ces réseaux ont conduit à un
intérêt croissant pour le passage aux réseaux sans fil.
Dans ce travail de thèse, nous nous intéresserons aux communications du niveau 1 à 3 de la pyramide
CIM; c’est à dire aux communications entre les machines ainsi qu’aux communications liées à la super-
vision et à la gestion de ces dernières.

3 Évolution vers un support de transmission sans fil

Comme nous l’avons vu dans les sections précédentes, l’échange d’informations entre entités communi-
cantes au sein d’un réseau industriel reposait historiquement sur l’utilisation d’un support de transmission
filaire. Toutefois, l’avènement des technologies sans fil a offert aux industriels de nouvelles possibilités
permettant d’envisager plus de souplesse dans la structure de leurs réseaux et une réduction significative
du coût lié à leur installation. Ainsi, on peut trouver aujourd’hui des réseaux mixtes ou même exclusive-
ment sans fil. Le choix du réseau à déployer, filaire ou sans fil, dépend en premier lieu de l’application,
puis de l’environnement. Pour les solutions sans fil, il existe deux supports de transmission, les spectres
radio-fréquences (du MHz à la dizaine de GHz) et l’optique (infrarouge). Le paragraphe suivant en rap-
pelle les principales caractéristiques.

3.1 Différents supports de transmission sans fil

Les réseaux sont des éléments complexes faisant appel à une technique importante avec chacun un do-
maine de prédilection, d’où la définition de plusieurs niveaux de spécification sous forme de la pyramide
CIM. Cette représentation est en train de disparaître du fait de l’utilisation de plus en plus répandue d’in-
ternet. Un grand nombre d’industriels ayant réduit à cet égard, de façon drastique, la diversité de leur
réseau. Dès lors, Ethernet + TCP/IP sont largement déployés [JAUU+06]. La pyramide se limitant alors
à deux couches : une couche supérieure (Ethernet +TCP/IP), puis au dessous, des Réseaux de capteurs.
Toutefois, dans un effort collectif de normalisation, la norme OSI (OPEN SYSTEM INTERCONNEC-
TION) a été définie. Cette norme est basée sur un découpage fonctionnel des éléments d’un réseau. Ayant
vu le jour en 1977 et acceptée en 1978, la norme OSI définit sept niveaux de spécification présentés cha-
cun comme une couche superposée à la précédente.
La couche physique représente le plus bas niveau de spécification, elle définit les spécifications élec-
triques et mécaniques d’un Réseau : le type de connexion (full duplex, half duplex ou simplex), le type
de liaison (série ou parallèle) et le média (liaison hertzienne, câble coaxial, paire torsadée, etc.). La trans-
mission des données sans fil entre les entités du réseau se fait via cette couche qui a pour principal rôle
d’établir et de maintenir le lien radio ou infrarouge entre l’émetteur et le récepteur.
En industrie, la transmission par infra-rouge est utilisée dans un certain nombre d’applications telles que
par exemple la mesure de température, la détection de mouvement pour les portes industrielles, etc. Tou-
tefois cette technique n’est utilisée que dans des cas bien précis car elle souffre de plusieurs défauts. Les

13
Chapitre 1. Contexte et état de l’art

diodes infrarouges transmettent de manières quasi directionnelles. De ce fait pour qu’un couple d’émet-
teur récepteur puisse communiquer il faut que le récepteur reste aligné à l’émetteur. Cette contrainte
reste acceptable lorsque les deux points sont fixes. En revanche, il devient difficile de garantir un bon
alignement dans le cas d’entités mobiles, rendant nécessaire la mise en place d’un système de tracking
complexe. Néanmoins d’autres inconvénients en découlent comme : le fait que les ondes optiques ne per-
mettent pas de traverser les obstacles opaques ; la forte atténuation des ondes lors de leurs propagation
d’où une portée relativement faible (une dizaine de mètres) ; ou encore une faible robustesse vis à vis du
bruit ambiant en provenance des sources lumineuses parasites. Pour toutes ces raisons les débits résul-
tants restent faibles (2 Mbits/s pour la norme IEEE 802.11) [GUE+09] et en conséquence l’utilisation du
spectre infrarouge reste souvent limitée aux systèmes domotiques (télécommandes).

La transmission par ondes radio (HF) ne souffre pas des inconvénients évoqués précédemment. Elle
est omnidirectionnelle et elle n’est pas gênée par la présence d’obstacles opaques dans sa trajectoire.
Ainsi, les entités du réseau peuvent être statiques ou mobiles dans des environnements intérieurs ou
extérieurs. Les ondes radio souffrent néanmoins des évanouissements rapides d’une part, dus aux trajets
multiples surtout en milieu clos et encombré, et des atténuations d’autre part, dues aux propriétés plus
ou moins absorbantes des matériaux. Dès lors, le signal transmis est sujet à de nombreux phénomènes
dont la plupart dégradent la qualité du signal. Cette dégradation implique en pratique des erreurs dans les
messages reçus entraînant ainsi des pertes d’informations. Comparativement au filaire, les transmissions
radio présentent des débits plus faibles et des erreurs de transmission plus fréquentes. Elles ont aussi des
problèmes liés aux interférences dues soit à une transmission simultanée sur une même fréquence soit à
une utilisation des fréquences voisines ou provenant de machines non dédiées aux télécommunications.
Concernant ce dernier point, on peut citer comme exemple les fours à micro-ondes qui utilisent des
fréquences qui sont dans la bande dédiée aux applications industrielles, scientifiques et médicales. Les
communications HF peuvent aussi être perturbées par les brouillages provenant du bruit ambiant, dues
aux transmissions d’autres systèmes.
Ainsi, les transmissions radios sont très sensibles aux conditions de propagation. Pour cela un contrôle de
la qualité des liens est inévitable pour pouvoir mettre en œuvre des stratégies de transmission adéquates.
Ces dernières peuvent permettre également de régir la consommation d’énergie des entités mobiles quant
à la gestion de leur autonomie liée aux batteries. Enfin, ces stratégies doivent, à terme, veiller à la sécurité
des communications radios qui peuvent être espionnées si elles ne sont pas bien protégées.

3.2 Avantages et challenges des réseaux sans fil

La transmission des données par voie câblée est moins coûteuse que la transmission sans fil en règle
générale sauf lorsque l’installation n’est pas statique, comme c’est le cas dans les usines modernes dans
lesquelles les chaînes de productions sont souvent restructurées. Les réseaux sans fil quant à eux, offrent
plusieurs avantages par rapport aux réseaux câblés d’un point de vue pratique et même financier dans
certains cas de figure. De nombreuses contraintes sont éliminées quand on exploite des ondes électro-
magnétiques pour la transmission des signaux. La suppression des câbles par exemple évitera tous les
problèmes liés à l’usure de ceux-ci. Il existe aussi des usures des contacts entraînées par les connexions
et déconnexions fréquentes dans le cas des équipements automatisés mobiles comme pour des tran-

14
3. Évolution vers un support de transmission sans fil

stockeurs 6 , des systèmes montés sur rail ou des véhicules autonomes guidés qui utilisent des matériels
spécifiques tel que des bagues robotiques, des câbles collecteurs ou des drag chains 7 avec des câbles de
données hautement flexibles pour se connecter à un réseau. L’utilisation de ces matériels implique une
hausse globale du coût de l’installation. La transmission sans fil rend aussi possible de couvrir des zones
pour lesquelles il s’avérerait difficile, voire même impossible de les connecter par câble.
L’utilisation de la technologie sans fil s’avérera donc intéressante dans bon nombre d’applications telles
que la maintenance, le contrôle ou la gestion de stock en permettant de réaliser de nouvelles économies
tout en apportant d’avantage de flexibilité en autorisant une liberté totale de mouvement. Ainsi, le pas-
sage au sans fil doit générer de nouveaux revenus liés à l’amélioration des processus existants ou à la
création de services additionnels. Selon le domaine d’activité de chaque entreprise la nature des sources
de réduction des coûts ou des revenus diffère. Il est toutefois possible de généraliser certains de ces
usages à même d’améliorer la productivité et la rentabilité des processus de l’entreprise tels que :
– La télémaintenance, où la surveillance à distance des équipements permettant d’effectuer une mainte-
nance préventive et d’accroître la disponibilité du service proposé au client final ;
– La téléalarme, où le transfert instantané des anomalies détectées par l’équipement assurant une prise
en compte rapide des dysfonctionnements et une amélioration de la qualité de service ;
– Les télé-relevés et télé-diagnostiques, où l’envoi automatisé des valeurs stockées sur l’équipement
permet de s’affranchir des coûts de déplacement.
Enfin les retombées en termes d’amélioration de l’image de la société, notamment liée à des services
innovants ou à caractère écologique, peuvent éventuellement être considérées comme un retour sur in-
vestissement. Cependant, les solutions sans fil ne sont pas aussi faciles à déployer. Pour être utilisables
elles doivent remplir certaines conditions :
– Garantir une aussi grande fiabilité de transmission, au même titre que les réseaux filaires ;
– Avoir une portée de quelques centaines de mètres, en lien avec les dimensions des environnements
industriels courants ;
– Sécuriser le réseau contre les intrusions et les mises sur écoute ;
– Assurer l’interopérabilité entre les systèmes afin de garantir une bonne intégration aux systèmes de
contrôle existants et aussi de fonctionner en parallèle avec d’autres systèmes sans fil ;
– Éviter les problèmes liés à la consommation d’énergie des terminaux mobiles ;
– Prendre en compte les problèmes liés aux interférences et autres perturbations dues à la richesse de
l’environnement en équipement ;
– Être robuste aux fréquentes restructurations, notamment au niveau de la disposition des gros équipe-
ments.

3.3 Les réseaux radios et leurs applications dans l’industrie

Le développement des technologies sans fil constitue une révolution technologique qui affecte et trans-
forme la vie de tous les jours. La première phase de cette révolution commença avec les découvertes

6. Les tran-stockeurs sont par définition des robots réalisés sur mesure en fonction de chaque exigence de magasin auto-
matique à développement vertical, conçus pour le transport de palettes, conteneurs, paquets, caisses ou tout autre type d’unité
de charge, qui se déplacent à travers les rayons servant au stockage des matières premières, des produit semi-finis et/ou des
produits finis.
7. Guides conçus pour entourer et guider les câbles et tuyaux flexibles reliés au déplacement des machines automatisées.

15
Chapitre 1. Contexte et état de l’art

théoriques et la mise en évidence de l’existence des ondes radios. Cette phase fut marquée par les tra-
vaux de Huygens en 1678 sur la théorie ondulatoire de la lumière, les célèbres équations de Maxwell
qui établissent le lien entre les phénomènes électriques et magnétiques et les premières liaisons radio
de quelques kilomètres de portée. Marconi mit en place la première radio transatlantique entre l’Europe
et les États-Unis et marqua ainsi le point de départ des premiers systèmes de communications radio
[HAU+04].
La deuxième phase reposa sur l’évolution des équipements (taille, poids, la porté des communications
et les services de radiotéléphonie) et des techniques mais pour des usages encore réservés à certaines
catégories de la population. Cette évolution permit aux systèmes radios d’acquérir la dimension mobile.
La seconde guerre mondiale accéléra le développement des systèmes qui s’étend, dans les années 1950,
aux applications civiles (compagnies de taxis et ambulances par exemple). Les équipements restaient
cependant encore lourds et occupaient une place importante puisqu’ils étaient généralement installés dans
les coffres des véhicules. C’est durant la troisième phase que les progrès techniques et le développement
des systèmes de communications vont faire entrer les systèmes de communications sans fil et mobiles
dans le domaine publique via les systèmes cellulaires de première génération (1G).

3.3.1 réseaux cellulaires

Les systèmes cellulaires de première génération connurent un très grand succès. La qualité de transmis-
sion était bonne mais le débit était insuffisant pour l’envoi de gros volumes de données et leur sécurité
était insuffisante. De plus, le système était dédié à une certaine élite de par le coût des équipements et
des communications. Toutefois, le réseau français fut alors vite saturé : la demande de mobilité était
intrinsèquement trop importante.

3.3.1.1 GSM
C’est la décennie 1990 qui rencontre la plus significative révolution technologique avec l’apparition du
système cellulaire numérique GSM (Global System for Mobile communication) qui a été adopté par l’en-
semble des pays européens, puis par 180 pays dans le monde [HAU+04]. Parallèlement d’autres systèmes
américains et japonais existaient. Ils étaient basés sur d’autres solutions d’accès au réseau (TDMA 8 ou
CDMA 9 ) . Après un accord de standardisation la solution européenne s’est répandue partout dans le
monde.
Le GSM comme les systèmes de première génération, repose sur une architecture cellulaire. Le méca-
nisme de multiplexages fréquentiel et temporel a permis à ce système numérique d’accroître le débit utile
transitant dans la bande de fréquence qui lui est allouée (900 MHz en Europe, complétée plus tard par
celle des 1800 MHz). La norme GSM autorise un débit maximal de 9,6 kbit/s et des messages textes
SMS (Short Message Service) de 160 caractères au maximum, ce qui permet de transmettre la voix ainsi
que des données numériques de faible volume. Le monde industriel a connu peu d’applications propres
aux procédés basés sur le GSM, compte tenu des exigences de fiabilité, de débit et de temps garantis
généralement requis. Néanmoins, il a existé quelques exemples d’applications industrielles comme celui
de la société suisse Sensile Technologies qui est spécialisée dans le développement de capteurs de qualité
8. Time Division Multiple Access, en français : accès multiple à répartition dans le temps.
9. Code Division Multiple Access, en français : accès multiple par répartition en code.

16
3. Évolution vers un support de transmission sans fil

et de systèmes de télémétrie en collaboration avec Siemens. L’entreprise a mis au point une application
novatrice qui mesure à distance le niveau de mazout dans les citernes [SIE+04].

3.3.1.2 Variantes du GSM


Les limitations du GSM, et en même temps son succès, ont poussé le monde des communications à vou-
loir passer rapidement à une 3ème génération (UMTS: Universal Mobile Telecommunications System)
de systèmes de radiocommunication. Cette troisième génération (3G) viendrait pallier les insuffisances
de la 2G (en termes de débit) et serait reconnue dès le début comme un standard mondial. L’évolution
paraissait tellement naturelle que les systèmes 3G connurent un engouement incroyable auprès des opé-
rateurs. Les licences furent vendues dans certains pays à des prix exorbitants avant même l’identification
précise des besoins et la stabilité de la technique. Ainsi, l’évolution de la 2G à la 3G ne s’est pas déroulée
exactement comme prévu pour plusieurs raisons :
– La 3G a eu plus de mal que prévu à s’imposer face au GSM de part les coûts des licences et équipe-
ments terminaux ;
– Le standard 3G s’est révélé plus long et plus coûteux à développer ;
– Les nouveaux services offerts par la 3G, résultant de la bande passante, sont devenus d’un intérêt
moins évident ;
– Le lien avec le monde IP est devenu essentiel pour le transfert des données et aussi de la voix (VoIP) ;
– La continuité avec les réseaux filaire Ethernet est devenue impérative ;
– Le succès inattendu du service de messagerie (SMS) a rendu la demande de transmission en mode
paquet de plus en plus pressante ;
– Les armées dans la plupart des pays industrialisés et suite à la fin de la guerre froide ont libéré de
nouvelles bandes de fréquences ;
– De nouveaux standards internationaux sous l’égide de l’IEEE, au sein notamment du comité IEEE 802
qui décrit une famille de normes relatives aux réseaux locaux (LAN) et métropolitains (MAN), ont été
mis en œuvre ;
– Le concept intercalé entre les communications fixes et mobiles a vu le jour, celui des communications
nomades.
Ces circonstances ont abouti à deux nouveaux développements :
– Le développement de variantes du GSM, appelées solution 2.5G. Le 2.5, indique que c’est une techno-
logie à mi-chemin entre le GSM (2ème génération) et l’UMTS (3ème génération). Ces variantes sont
essentiellement le GPRS (General Packet Radio Service) et l’EDGE (Enhanced Data rate for GSM
Evolution);
– Le développement des réseaux locaux radioélectrique dits RLAN (Radio Local Area Networks) ou
WLAN (Wireless Local Area Network) dont le plus connu est le WiFi (Wireless Fidelity).
• GPRS
La première variante du GSM est le GPRS (General Packet Radio Service). Il permet d’étendre l’ar-
chitecture du standard GSM afin de pouvoir transmettre des données par paquets, avec des débits
théoriques maximums de l’ordre de 115 kbit/s mais atteignant rarement plus de 57 kbit/s sur un ré-
seau réel. Cette méthode est plus adaptée à la transmission des données, car contrairement au mode
circuit 10 en GSM où un circuit, ainsi que les ressources associées, est établi pour toute la durée de la

10. Un chemin physique ou logique est établi et verrouillé entre deux équipements pour toute la durée de la session de

17
Chapitre 1. Contexte et état de l’art

communication, pour le GPRS les ressources ne sont allouées que lorsque des données sont échangées
ce qui permet une économie de la ressource radio et un accès aux utilisateurs moins coûteux.
Les applications M2M pour «Machine to Machine», dont l’intérêt est de pouvoir surveiller, contrôler
des machines sans intervention humaine, se sont développées sur l’utilisation du réseau GPRS. Il peut
s’agir des applications telles que la téléalarme, le système de remontée d’informations automatique, la
surveillance à distance des machines industrielles, etc. La figure 1.9 illustre un schéma typique d’un
système M2M où les informations collectées sont envoyées par le biais d’un modem GPRS via un
réseau GSM ou GPRS. Ainsi, les données sont transmises :
– Par internet vers une base de données, pour consulter ces informations à tout moment ;
– Par SMS vers par exemple les téléphones mobiles de techniciens ;
– Par Fax par exemple au client final ;
– Par e-mail aux services après vente ou de production.

Figure 1.9 – Schème typique d’un système M2M

• EDGE
La deuxième variante du GSM est l’EDGE (Enhanced Data Rates for GSM Evolution), c’est une
amélioration du GPRS. Il est considéré comme une technologie pré-3G, on parle ainsi de 2.75G pour
le désigner. Il utilise une technique de modulation plus performante (8-PSK : Phase-Shift Keying à
8 états, soit une modulation par changement de phase) qui lui permet d’atteindre un débit théorique
de 473,6 Kbits/s sur 8 canaux multipliant ainsi par 3 les performances du GPRS. Dans la pratique, le
débit est de 384 Kbits/s, ce qui génère souvent certaines confusions avec la 3G.
De part ses débits plus important l’EDGE permet par exemple aux systèmes de surveillance une trans-
mission des vidéos et des images. Toutefois, il n’est idéal que pour une surveillance temporaire à
distance où les images peuvent être transférées sur une période programmable par le biais d’un détec-
teur de présence ou contacteur de porte relié sur l’entrée d’alarme. Cette évolution qui est vu comme
une alternative moins onéreuse à la téléphonie de troisième génération permet le lancement de services
multimédias améliorés, elle reste néanmoins en dessous des performances attendues avec le passage
vers la 3G.

communication. Le transfert de données ne peut être effectué qu’après l’établissement de la totalité de la ligne entre l’émetteur
et le récepteur.

18
3. Évolution vers un support de transmission sans fil

3.3.1.3 UMTS
L’UMTS est une technologie de téléphonie numérique qui succède aux technologies 2G. Les techno-
logies 3G utilisent des bandes de fréquences plus larges et recourent à un protocole de transfert des
données par «paquets». Le principal intérêt de la 3G réside dans l’augmentation significative des dé-
bits, bien supérieurs aux technologies GPRS et EDGE. Il se distingue aussi par sa large couverture, sa
capacité en termes de nombre d’abonnés ainsi que par ses services variés. Une application telle que la
vidéo-surveillance qui était déjà possible sur GPRS, bénéficie grâce à l’UMTS, d’un gain substantiel en
débit et donc en qualité d’image. Les systèmes cellulaires continuent leurs évolutions dans le but d’avoir
des débits plus élevés. On retrouve ainsi une évolution de la 3G nommée 3.5G ou 3G+ dont l’acronyme
est HSPA pour High Speed Packet Acces puis la 3.75G HSPA+ et aujourd’hui le au déploiement de la
quatrième génération, le LTE (Long Term Evolution).
Le développement des réseaux de communication mobiles notamment le GSM en Europe ainsi que leurs
évolutions vers des solutions de transfert des données plus rapides et plus robustes (GPRS, EDGE, 3G)
amène un nombre croissant d’industriels à envisager la connexion de leurs machines, jusqu’à mainte-
nant non communicantes sur de tels réseaux pour proposer de nouveaux services ou améliorer les pro-
cessus d’exploitation existants [comM2M]. Ainsi, les systèmes mobiles et sans fil ont touché tous les
domaines d’activité économique et intégré peu à peu tous les types de services de télécommunication.
La figure 1.10 montre un exemple de Réseau Local Industriel dont la supervision est faite à travers un
réseau qui supporte différentes technologies cellulaires (GPRS, EDGE, 3G, 4G).

Figure 1.10 – Exemple de Réseau Local Industriel utilisant différentes technologies cellulaires

3.3.2 Réseaux locaux sans fil

Les réseaux locaux sans fil (ou Wireless Local Area Network, WLANs) sont apparus au cours de l’ex-
plosion des technologies de communication numérique des années 90. Actuellement, dans la bande de
fréquences ISM (Industriel, Scientifique et Médical) il existe trois grands standards connus disponibles
autour de 2,4 GHz. Ils ont été défini par l’IEEE et sont mondialement utilisés : le Wifi, le bluetooth, et le
Zigbee [BUD+10].

19
Chapitre 1. Contexte et état de l’art

3.3.2.1 Bande de fréquences


Dans la figure 1.11 deux groupes de bande de fréquences sont représentés, ceux pour la téléphonie de 824
à 2170 MHz et ceux utilisés dans des réseaux informatiques tels que les WPAN, WLAN. Ces derniers
fonctionnent sur deux bandes : la bande ISM (Industriel, Scientifique et Médical) de 2400 à 2500 MHz
et la bande U-NII (Unlicensed National Information Infrastructure) de 5150 à 5720 MHz. Notre étude
étant centrée sur le contexte industriel, nous travaillerons, dans la suite de nos travaux, dans la bande de
fréquence ISM.

Figure 1.11 – Bandes de fréquences

Bande ISM
La bande ISM peut être utilisée librement pour des applications industrielles, scientifiques et médicales.
Toutefois, les puissances d’émission sont réglementées comme le montre le tableau 1.1. Cette bande est
reconnue par les principaux organismes de réglementation, tels que la FCC 11 aux Etats-Unis, l’ETSI 12
en Europe et l’ART 13 en France. La largeur de la bande libérée pour les RLAN 14 utilisés dans un envi-
ronnement privé, personnel ou d’entreprise varie suivant les pays comme résumé dans le tableau 1.2. La
puissance d’émission varie aussi en fonction de la fréquence utilisée et du milieu (intérieur ou extérieur).

Fréquences en MHz Intérieur Extérieur


2400 2454 100 mW 100 mW
2483,5 100 mW 10 mW

Table 1.1 – Puissance autorisées en France pour la bande ISM

3.3.2.2 IEEE 802.11 (Wi-Fi)


La norme IEEE 802.11, plus connu sous le nom de Wi-Fi, fait partie des normes ratifiées par le comité
11. Federal Communications Commission
12. European Telecommunications Standards Institute
13. Agence de Régulation des Télécommunications
14. Radio Local Area Network, en français : réseaux locaux radioélectriques

20
3. Évolution vers un support de transmission sans fil

Pays Bande de fréquences


États-Unis (FCC) 2,400-2,485 GHz
Europe (ETSI) 2,400-2,485 GHz
Japon (MKK) 2,471-2,497 GHz
France (ART) 2,4465-2,4835 GHz

Table 1.2 – Allocation de la bande de fréquences ISM selon les pays

de standardisation IEEE 802 qui définissent les réseaux numériques locaux sans fil. Deux topologies sont
définies par cette norme : le mode ad-hoc et le mode infrastructure.
Dans le mode ad-hoc, deux stations à portée l’une de l’autre, peuvent communiquer directement entre
elles. Dans ce cas, une communication point à point est établie.
Dans le mode infrastructure, les stations communiquent par le biais d’un ou plusieurs nœuds centraux
appelés points d’accès (AP).
Cette norme considère plusieurs extensions, qui se différencient de par leur définition de la couche phy-
sique et/ou de la méthode d’accès au médium. Ces différences se traduisent par des débits, des services
ou des qualités de services différents. Dans le domaine industriel, les protocoles utilisés sont : le 802.11
b et le 802.11 g.
Le 802.11 b utilise la bande 2,4 GHz et permet une transmission point à multipoint en ligne de vue jus-
qu’à 300 mètres avec un débit maximale de 11 Mbit/s.
Le 802.11 g est une extension offrant des débits plus élevés allant jusqu’à 54 Mbit/s dans la bande de
fréquence des 2,4 GHz.
Le Wi-Fi peut être utilisé pour connecter des équipements par voie hertzienne : Ethernet, MODBUS/TCP,
PROFINET, Ethernet/IP, DNP3 ou pour connecter des équipements série : RS232, RS422, RS485 entre
eux sans liaison filaire. Il peut aussi être utilisé pour réaliser un pont sans fil entre un réseau MODBUS
série et MODBUS/TCP.

3.3.2.3 IEEE 802.15.1 (Bluetooth)


Le standard Bluetooth (IEEE 802.15) a été créé par le fabricant suédois Ericsson en 1994. Quatre ans
après, plusieurs grandes sociétés (IBM, Nokia, Intel et Toshiba) se sont associées avec Ericsson pour
former le Bleutooth Special Interest Group (SIG). Le but de cette solution était d’éliminer les liaisons
filaires entre les appareils électroniques en utilisant une technique radio courte distance, et aussi de
remplacer les liaisons infra-rouges. Il opère dans la bande de fréquence ISM 2,4 GHz.
La communication dans Bluetooth est de type maître/esclaves. Ainsi, le réseau s’organise autour de
l’équipement maître qui gère l’établissement de la connexion et régule le trafic entre ses esclaves. Toutes
les communications passent par ce dernier qui assure la synchronisation de l’ensemble. Deux types d’ar-
chitecture de réseaux existent : les piconets et les scatternets [BEN+09]. Les piconets sont des micro-
réseaux constitués d’un maître et de maximum 7 esclaves. Lorsqu’un piconet est saturé ou très éloigné
d’une station qui veut se connecter au réseau, cette station peut négocier, avec la station la plus proche,
la formation d’un deuxième piconet et former ainsi un scatternet. Dans un scatternet, un esclave peut être
l’esclave de plusieurs maîtres à la fois, ainsi le maître d’un piconet peut être l’esclave du maître d’un autre
piconet. Un exemple de connexion de stations Bluetooth est donné sur la figure 1.12. Un sous-groupe

21
Chapitre 1. Contexte et état de l’art

Figure 1.12 – Exemple d’architecture d’un réseau Bluetooth

s’est formé au sein du Bluetooth SIG nommé « Industrial Automation ». Ainsi, des applications indus-
trielles existent comme celle de la lecture des codes barres. Toutefois, il existe plus d’applications liées
aux mondes des télécoms, de l’informatique, du médical et des jeux que d’applications industrielles. Des
versions de Bluetooth ont été développées permettant d’avoir des débits plus importants, une meilleure
résistance aux interférences produites par les autres technologies qui travaillent dans la même bande de
fréquence ainsi qu’une consommation moindre de l’énergie.
Durant ces dernières années, le Bluetooth ainsi que d’autre technologies IEEE 802.15.4 comme le Zig-
bee, WirelessHART sont de plus en plus utilisées pour interconnecter des capteurs, des actionneurs et
d’autre petits appareils [AND+13].

3.3.2.4 IEEE 802.15.4 (Zigbee)


Le Zigbee est une norme de transmission de données sans fil qui permet à des machines de communiquer.
Elle constitue le prolongement de la spécification HomeRF 15 qui a été abandonnée suite à la concurrence
du Wi-Fi et du Bluetooth. Le Zigbee se place parmi les candidats idéaux de par sa faible consommation
électrique et ses coûts de production très bas pour la domotique, les réseaux de capteurs, les télécom-
mandes, les boutons poussoirs ou les équipements de contrôle dans le secteur industriel (activation d’un
éclairage à distance, surveillance d’un atelier, relevé d’informations transmises par des capteurs, etc).
Il utilise trois bandes de fréquences : La 868 MHz est disponible en Europe ; la 915 MHz en Amériques
et Australie tandis que la 2,4 GHz est disponible partout dans le monde avec un débit théorique maximal
de 250 kbit/s. Il est adapté pour les applications à contraintes temporelles. Il lui faut moins de 30 ms pour
qu’un nouveau nœud rejoigne le réseau et moins de 15 ms pour qu’il passe de l’état de veille à l’état
actif.

3.3.2.5 EnOcean
EnOcean a été ratifié (ISO/IEC 14543-3-10) comme étant la première norme radio optimisée pour les
solutions à récolte d’énergie. Il s’agit d’un protocole ouvert comme le Bluetooth et le Wi-Fi. Il peut être
mis en œuvre par tous les constructeurs. Cette technologie est connue pour son slogan «sans fil, sans
15. HomeRF est une spécification de réseau sans fil permettant à des périphériques domestiques d’échanger des données
entre eux.

22
3. Évolution vers un support de transmission sans fil

pile et sans limite». Son but est de simplifier l’installation et la maintenance des systèmes domotiques
et l’automatisation industrielle. EnOcean utilise une transmission par onde radio à 868 MHz en Europe.
L’avantage de cette fréquence réside dans le fait qu’elle est moins saturée et offre une portée satisfaisante
estimée à 30 m en intérieur et plus de 100 m en extérieur (cf. figure 1.13).
La technique radio sans pile d’EnOcean puise l’énergie présente dans l’environnement, telle qu’une im-
pulsion/une pression sur un matériaux piézoélectrique 16 , une lumière ou des différences de température,
et la convertie en énergie électrique pour alimenter des capteurs sans fil. Grâce à cette technique des cap-
teurs radio libres de toute maintenance peuvent être déployés dans des applications liées aux bâtiments et
aux installations industrielles. Coté émetteur par exemple, l’énergie générée par le simple fait d’appuyer
sur un bouton suffit pour envoyer un signal radio, c’est la piézo-électricité. Pour les récepteurs et les
capteurs, ils peuvent être alimentés par des sources thermiques (solaires) ou par mouvements.

Figure 1.13 – Comparaison de la consommation d’énergie/portée des technologies sans fil

3.3.2.6 WirelessHART
WirelessHART est le premier standard de communication sans fil dédié à la commande et à la sur-
veillance des procédés industriels. La figure 1.14 montre un exemple typique d’un réseau WirelessHART
qui peut être dédié à la surveillance, au diagnostique et à la maintenance des procédés. Ce standard a été
développé par la HART Communication Foundation afin de répondre aux besoins des réseaux sans fil
déployés dans les installations de procédés industriels. Il est basé sur des normes industrielles citées dans
le tableau 1.3 et utilise la bande 2,4 GHz. Il a les mêmes spécificités que la norme 802.15.4-2006 et se
distingue des précédents standards de part sa simplicité, sa fiabilité et sa sécurité. Bien que ces systèmes
de communication soient potentiellement adéquats pour de tel environnements, rappelons que le canal de
propagation est l’élément clé pour une mise en œuvre optimale de ces derniers. Dès lors, de la conception
jusqu’au déploiement des solutions sans fil, il est nécessaire d’avoir une bonne connaissance du canal
de propagation afin de comparer et de valider les différents choix de bande de fréquences, modulation,
topologie de réseaux etc. Dans la section suivante, nous présenterons les principales caractéristiques d’un
canal de propagation.

16. La propriété de certains corps de se polariser électriquement (générer un champ ou un potentiel électrique) sous l’action
d’une contrainte mécanique.

23
Chapitre 1. Contexte et état de l’art

Figure 1.14 – Exemple typique d’un réseau WirelessHART

Spécificité Description
Hart- CEI 61158
WirelessHART - CEI/PAS 62591 Ed. 1
Basé sur des normes industrielles
EDDL - CEI 61804-3
Radio & MAC - IEEE 802.15.4(TM)-2006 CEI/PAS
Norme de communication radio IEEE 802.15.4-2006 @ 250kbps
Bande de fréquence 2,4 GHz
Gestion des canaux radio saut de canaux pour chaque paquet émis
Portée à vol d’oiseau jusqu’à 250 m entre deux équipements
Alimentation au choix secteur ou piles
Topologie maillée, en étoile, ou en combinaison des deux

Table 1.3 – Caractéristiques de WirelessHART

4 Le canal de propagation sans fil

L’utilisation des communications radio dans des milieux complexes tel que celui de l’industrie, exige
l’étude des phénomènes de propagation des ondes afin de pouvoir prédire la qualité des liaisons radio.
En milieu confiné, la propagation dépend fortement de l’architecture du bâtiment, des machines, des
matériaux et des personnes. Les ondes sont affectées par les caractéristiques des environnements dans
lesquels elles se propagent. Ces phénomènes vont par exemple affaiblir la puissance des ondes émises
et limiter ainsi la portée de la transmission. Deux méthodes existent pour estimer ses phénomènes : la
mesure et la modélisation. Les campagnes de mesures sont coûteuses et complexes à mettre en œuvre.
Ainsi des modèles de propagation sont développés afin d’offrir une alternative à faible coût. Dans notre
cas, il s’agit d’étudier des liaisons entre des nœuds placés dans un environnement industriel dans le but de
proposer un modèle de propagation adapté à ces milieux qui ont des caractéristiques différentes de celles
des milieux indoor classiques. Ainsi les modèles de canaux indoor existants ne sont pas valides dans

24
4. Le canal de propagation sans fil

des environnements industriels et peu de modèles spécifiques existent dans la littérature. C’est pourquoi,
dans le cadre de cette thèse nous proposons une solution originale à cette problématique.
Avant de procéder à sa présentation dans le chapitre 2, nous allons rappeler dans les paragraphes suivants
les principaux phénomènes caractéristiques du canal de propagation radioélectrique.

4.1 Phénomène de multi-trajets

Lors de leur propagation, les ondes électromagnétiques (OEM) interagissent avec les obstacles de l’envi-
ronnement, ce qui entraîne le phénomène de multi-trajets. Ce phénomène est la caractéristique principale
du canal de propagation sans fil en milieu contraint (i.e milieu avec des obstacles) [Par+00]. En fonction
de la géométrie de l’obstacle, les OEM peuvent subir les interactions suivantes :
– La réflexion spéculaire, qui se définit comme un changement de direction du rayonnement électroma-
gnétique quand celui-ci atteint une surface. Elle est dite spéculaire lorsque le rayonnement réfléchi par
la surface l’est dans une seule et même direction ;
– La réflexion diffuse, qui est significative lorsque les surfaces sont rugueuses présentant ainsi des as-
pérités dont la taille est de l’ordre de grandeur de la longueur d’onde du rayonnement incident. Le
rayonnement est réfléchi dans toutes les directions à cause des hétérogénéités du milieu ;
– la diffraction, qui se produit lorsque l’OEM atteint une arrête, le sommet anguleux d’un objet ou
une surface courbe. Le point de diffraction peut alors être considéré comme une source secondaire
rayonnant sur un cône [KEL+62].
– La réfraction (ou transmission), correspond à une déviation de la trajectoire du rayonnement lorsqu’il
passe d’un milieu à un autre n’ayant pas le même indice de réfraction.
Dans notre contexte d’étude, l’environnement se compose principalement d’obstacles métalliques (ma-
chines) de grande dimensions et de murs porteurs en béton armé. Au travers de ces parois et à 2,45
GHz, l’atténuation du signal est telle qu’il est permis de considérer que les ondes ne peuvent traverser
les machines et les murs. Pour cet environnement les principales interactions sont les réflexions sur les
surfaces et les diffractions sur les arrêtes [Par+00]. Ainsi, de part les trajets-multiples une onde émise va
générer plusieurs ondes après interaction avec l’environnement. Chacune de ces ondes générées aura ses
propres caractéristiques en termes d’atténuation, de phase, de polarisation, d’angle de départ et d’arrivée,
de distance parcourue et de retard de propagation.
Les multi-trajets présentent l’avantage de permettre la réception des ondes même lorsqu’il n’y a pas
de visibilité directe entre l’émetteur et le récepteur. Toutefois, ils présentent l’inconvénient de générer
des évanouissements rapides. Ces évanouissements résultent des interférences entre les différentes ondes
reçues. Ces phénomènes entraînent une variation du canal de propagation qu’il est souvent important
de modéliser pour en considérer les impacts significatifs sur le signal reçu. Mais comme l’illustre la
figure 1.15, il existe d’autres types de variation. Les trois échelles de variation du signal :
• Les variations à grande échelle (path loss) représentent l’affaiblissement lié à la distance séparant
l’émetteur du récepteur.
• L’effet de masquage (shadowing) représente les variations lentes du signal dues aux différentes inter-
actions avec les obstacles présents dans l’environnement.
• Les variations à petite échelle (fading) représentent les fluctuations rapides du signal liées aux in-
terférences constructives et destructives entre les différents trajets. Le signal reçu peut alors varier de
plusieurs dizaines de dB autour du signal moyen. Ce type de phénomène est la conséquence directe

25
Chapitre 1. Contexte et état de l’art

du phénomène de multi-trajets et de la variabilité spatio-temporelle du canal de propagation due à la


mobilité des objets de l’environnement.

Figure 1.15 – Illustration des variations de la puissance reçue en fonction de la distance.

L’atténuation totale du signal A[dB]


totale est ainsi composée de la somme de ces trois atténuations.
[dB]
A[dB]
totale = A p + A[dB] [dB]
m + Amt (1)

où :
[dB]
– A p est l’atténuation de propagation en espace libre notée ;
– A[dB]
m est l’atténuation due au masquage (shadowing) ;
[dB]
– Amt est l’atténuation due au phénomène de multi-trajets.

4.2 Réponse impulsionnelle

En raison des interactions de l’onde émise sur les obstacles du milieu de propagation, le signal reçu
r(t) est composé d’une superposition de versions retardées et atténuées du signal émis s(t) [HIJ+08]. Le
signal reçu en bande de base s’écrit donc :
L

r(t) = αl (t)s(t − τl (t)) (2)
l=1

où :
– L est le nombre de trajets ;
– αl (t) est l’amplitude ou gain complexe associé au lème trajet ;
– τl est le retard de propagation associé au lème trajet.
On en déduit alors la forme de la réponse impulsionnelle du canal physique en bande de base :
L

h(t, τ) = αl (t)δ(τ − τl (t)) (3)
l=1

où :

26
4. Le canal de propagation sans fil

– δ(t) est la fonction de Dirac ;


Le modèle du canal est donc représenté comme un filtre à Réponse Impulsionnelle Finie (RIF) évolutif
au cours du temps. De cette RI, on en déduit le profil en puissance (PDP) du canal permettant d’associer à
chaque trajet la puissance qui lui correspond. Connaissant le PDP, nous pouvons calculer deux paramètres
statistiques importants pour caractériser un canal à multitrajets. Ces paramètres sont le retard moyen (τ,
mean excess delay) et la dispersion des retards (σr , RMS delay spread).
Le retard moyen est le moment d’ordre un du PDP défini comme la moyenne des retards τ pondérés
par leurs puissances α :
 τ(i) ∗ |α(i)|
τ=  (4)
i
|α(i)|
i
La dispersion des retards (RMS), ou l’écart type des retards pondérés par leur puissance, est donné par
le moment d’ordre deux du PDP. En connaissant le RMS et la bande de cohérence, nous pouvons évaluer
si le canal sans fil souffrira des interférences inter-symbole (ISI Inter Symbol Interference).

 
 ((τ(i) − τ))2 ∗ |α(i)|)



i
σr =  (5)
|α(i)|
i

Ces paramètres nous informent donc sur le type du canal étudié. En générale, quand la valeur de la
dispersion des retards est élevée cela signifie que la réponse impulsionnelle du canal est composée d’un
ensemble de trajets prépondérants distribués sur une large plage de retard de propagation. Une telle
observation révèle que l’environnement a une grande densité de diffuseurs. À l’opposé, si la valeur de
la dispersion des retards est faible, cela signifie que l’environnement est peu dispersif. La figure 1.16
montre la réponse impulsionnelle mesurée dans un environnement industriel où un système DECT est
déployé [COL+11]. Le temps symbole de ce système est de 868 ns et le débit est de 48 Kbit/s. Nous
observons que dans ce cas il aura des interférence inter-symbole, car le temps de symbole est inférieur à
5 fois la dispersion des retards [COL+11]. Quelques auteurs, estiment qu’il doit être 10 fois plus grand
pour éviter l’usage des égaliseurs [JON+07].

Figure 1.16 – Réponse impulsionnelle et temps de symbole

27
Chapitre 1. Contexte et état de l’art

4.3 Relation entre l’environnement et la dispersion des retards

La figure 1.17 présente une classification globale des environnements en fonction de la dispersion des
retards et du niveau d’interférence [COL+11]. Les environnements industriels 1 et 2 ont des caractéris-
tiques similaires : pas de grandes dimensions, des murs, un plafond et un sol métalliques ainsi qu’une
grande variété d’objets métalliques tels que des moteurs, des colonnes et des grues. La différence entre
les deux est que l’environnement industriel 1 est plus récent et que dans le 2ème la densité des objets à
l’intérieur du hall est plus grande. L’entrepôt de papier a de plus grandes dimensions que les environne-
ments industriels 1 et 2, par contre dans cet entrepôt des rouleaux de papier sont stockés. Ces derniers
absorbent les ondes et réduisent le niveau de signal d’interférence, mais en même temps provoquent des
problèmes liés à la couverture radio, éliminant ainsi la possibilité d’utiliser des systèmes qui tirent profit
des avantages des trajets multiples. Le tunnel ferroviaire correspond à un tunnel de 6 m de diamètre
dans une mine de fer. À titre de référence, de part leur structure les bureaux sont des environnements
où les interférences ne sont pas sévères. Le cas idéal pour un système sans fil peut correspondre à un
environnement sans interférence et avec un niveau moyen de la dispersion des retards. Ainsi une forte
réflectivité des murs va produire un étalement des retards RMS relativement élevé et par conséquent des
interférences inter-symbole pour un système avec un grand temps symbole ; par contre une faible réflec-
tivité pourrait conduire à une mauvaise couverture dans le cas NLOS. Le niveau idéal de dépendra du
système à déployer. En général, les environnements industriels sont considérés comme étant hautement
réfléchissant et avec plusieurs sources de bruit.

Figure 1.17 – Dispersion des retards selon l’environnement industriel

5 Modèles de propagation existants dans un contexte industriel

Les modèles de canaux proposés dans la littérature peuvent être classifiés en trois catégories : détermi-
niste, statistique et empirique. Cependant, pour le milieu industriel seul des modèles déterministes et

28
5. Modèles de propagation existants dans un contexte industriel

statistiques existent.

5.1 Modèles déterministes

Les modèles déterministes sont caractérisés par le traitement purement déterministe des paramètres de
l’environnement. La propagation des ondes est calculée à partir de la description géométrique précise de
l’environnement et de la connaissance de ses propriétés électromagnétiques. En contexte industriel, on
trouve comme modèle déterministe :
• Les modèles rigoureux : ils consistent à résoudre les équations de Maxwell en les discrétisant. La
technique la plus citée dans la littérature est la Finite Difference Time Domain (FDTD). Elle discrétise
l’environnement en cellules tridimensionnelles afin de calculer à chaque instant et dans chaque cellule
les composantes du champ électromagnétique. L’inconvénient de cette méthode est d’ordre numérique,
lié principalement à la quantité de données générée. Ainsi dans un environnement industriel aussi
complexe que le notre, la discrétisation rendra le modèle très complexe et long à simuler.
• Les modèles asymptotiques en fréquence (ou à rayon) : ils apportent une solution approchée des équa-
tions de Maxwell. Ils sont utilisées lorsque les objets modélisés ont une taille supérieure à celle de
la longueur d’onde et pour les applications en champ lointain. Ces modèles sont plus adaptés que les
modèles rigoureux car dans un environnement industriel, le volume à traiter est important et les objets
ont une taille supérieure à la longueur d’onde. Cependant, les modèles déterministes posent encore un
problème dû à la complexité de calcul et donc au temps de simulation en découlant.

5.1.1 Modèles à rayon

Les modèles à rayons sont utilisés couramment pour prédire le canal de propagation radio dans des
environnements intérieurs et extérieurs. Ils identifient tous les trajets possibles entre un émetteur et un
récepteur. Ensuite, des méthodes asymptotiques en fréquence, comme l’optique géométrique et la théorie
uniforme de la diffraction, sont appliquées pour calculer l’amplitude, la phase, le retard et la polarisation
de chaque trajet. Une étape finale consiste à combiner tous les rayons atteignant le récepteur tout en
considérant les caractéristiques des antennes. Parmi les méthodes existantes pour déterminer l’ensemble
des trajets possibles entre un émetteur et un récepteur on retrouve :

5.1.1.1 Lancer de rayons


Le principe de l’algorithme à lancer de rayons consiste à lancer depuis l’antenne d’émission un nombre
limité de rayons suivant différentes directions de l’espace [LIN+89]. Au niveau du récepteur, une sphère
de réception doit être employée pour capturer tous les rayons passant prés du récepteur. Pour produire
des résultats fiables, un angle constant de séparation entre les rayons lancés doit être spécifié. Quant au
rayon de la sphère de réception, il doit être ajusté en tenant compte de l’angle entre les rayons émis
afin de pouvoir capturer tous les trajets potentiels. La vitesse de cette méthode peut être augmentée en
éliminant les rayons dépassant un certain nombre d’interactions (combinaisons multiples de réflexion,
diffraction, réflexion-diffraction, etc). L’exactitude de la méthode du lancer de rayons est réduite pour
les rayons ayant de longues distances parcourues. Cela est dû à l’erreur cumulée dans la direction des
rayons, où des trajets importants peuvent être manqués [HAD+11].

29
Chapitre 1. Contexte et état de l’art

5.1.1.2 tracer de rayons


Le principe du tracer de rayons consiste à chercher tous les trajets entre un émetteur et un récepteur. C’est
un algorithme point par point. Pour couvrir une grande surface (ou volume) de prédiction, le récepteur
doit être déplacé sur toute la surface. Il est évident que le temps de calcul est proportionnel au nombre
de points de réception.
La méthode à tracer de rayons se base sur les méthodes des images et de pliage pour déterminer les
trajets existant entre un émetteur et un récepteur. L’idée de la première méthode est illustrée dans la
figure 1.18 (a) dans le cas d’une réflexion simple. L’image virtuelle T xvirtuel de l’émetteur par rapport
au plan de réflexion est d’abord construite. Ensuite, le récepteur est relié à T xvirtuel par une ligne droite
dont l’intersection avec le plan de réflexion serait le point de réflexion I. La méthode des images vir-
tuelles fonctionne également avec un nombre k de réflexions. La seule différence par rapport à une seule
réflexion est qu’on doit examiner tous les ordres possibles des k réflecteurs parmi un ensemble N de
réflecteurs [HUS+94]. La méthode de pliage est illustrée dans la figure 1.18 (b). Le calcul des sources
diffractantes est axé sur le principe de Fermat généralisé [AVE+00]. Les rayons diffractés au point Q
sont les trajectoires minimales entre la source incidente et le point d’observation. Les rayons diffractés
sont alors portés par un cône dont l’axe est confondu avec l’arrête diffractante. Ainsi, le trajet diffracté
capté au point d’observation est trouvé en comparant les angles incidents et d’observation. Contraire-
ment au lancer de rayons, le tracer de rayons permet de construire les "vrais" rayons avec les phases et
affaiblissements réels. De plus, le lancer de rayon calcule des rayons qui, dans la majorité des cas, ne
parviennent pas au récepteur. Le seul problème du tracé de rayon réside dans le temps de calcul exigé qui
augmente considérablement en fonction de la complexité géométrique de l’environnement et du nombre
d’interactions.

Figure 1.18 – Illustration du principe de la méthode de l’image virtuelle

5.2 Modèles statistiques

Les modèles statistiques [PAE+02] prédisent de manière aléatoire et globale le comportement du canal.
Le comportement statistique du canal est déterminé à partir de campagnes de mesures. Leur principe
repose sur l’association d’une loi statistique à un ensemble d’environnements ou de configurations qui

30
5. Modèles de propagation existants dans un contexte industriel

partagent les mêmes spécificités. Ils sont généralement moins précis que les modèles déterministes mais
présentent l’avantage d’être simples et rapides.
Les modèles empiriques, sont une sous famille des modèles statistiques, ils reposent sur un ensemble
d’équations établies à partir de nombreuses campagnes de mesure. Ils sont efficaces et simples à utiliser
mais leur précision se limite pour des environnements ayant les mêmes caractéristiques que ceux où les
mesures ont été faites.

5.2.1 Modèle de Saleh et Valenzuela

Le modèle de Saleh et Valenzuela (S-V) est un modèle de canal largement étudié dans la littérature
[KP02, MBC+04, CY05, CKYL05, Mol05, TJB+10] ses concepts sont réutilisés dans de nombreux
modèles [COL+11, PAJ+06]. Le canal est modélisé selon une approche physique par un ensemble de
trajets. Ces trajets sont rassemblés dans des clusters, notion couramment utilisée mais dont la définition
exacte reste source de débat [PP+06]. Un cluster peut être défini comme un ensemble de trajets ayant des
caractéristiques voisines. Par exemple, les rayons créés par la réflexion sur un groupe localisés d’objets
auront une même direction moyenne et des retards voisins. Cet ensemble de rayons peut être identifié
comme un cluster.
Ce modèle considère que la réponse impulsionnelle en puissance du canal se décompose en clusters
arrivant l’un après l’autre selon une décroissance exponentiel de la puissance, soit donc une décroissance
linéaire pour une représentation en dB. Les temps d’arrivés des clusters et des rayons de chaque cluster
suivent des processus aléatoires de Poisson. Un exemple est indiqué dans la figure 1.19.

Figure 1.19 – Principe du modèle de Saleh et Valenzuela

La réponse impulsionnelle complexe h(t) s’écrit :


∞ 
 ∞
h(t) = βk,l e jθk,l δ(t − T l − τk,l ) (6)
l=0 k=0

où :
– δ(t) est la fonction de Dirac ;
– l est l’indice du cluster ;
– k est l’indice des trajets à l’intérieur des clusters ;

31
Chapitre 1. Contexte et état de l’art

– T l est le retard du lème cluster, i.e l’instant d’arrivée du premier trajet dans le cluster d’indice l ;
– τk,l , βk,l , θk,l sont le retard, l’amplitude et la phase du kème trajet du lème cluster.
Ce modèle a suffisamment de souplesse pour permettre d’avoir des réponses de canal relativement pré-
cises par rapport à la mesure et aussi simple à simuler. Il est bien adapté pour des environnements indoor
type bureaux mais son application dans le cas où des multi-trajets sont colletés dans différents environ-
nements industriels a été un échec [TAM+95]. Néanmoins, il existe des modèles qui se sont basés sur le
principe de ce modèle.

5.2.2 Le modèle IPDP

Le modèle IPDP introduit une modélisation simple pour calculer le profil des puissances dans des en-
vironnements indoors. Les paramètres de ce modèle dépendent du volume des pièces, de la surface des
pièces et de la puissance absorbée par les murs. La figure 1.20 montre des résultats de la simulation de ce
modèle pour 4 environnements. Le coefficient d’absorption du sol, des murs et des escaliers sont proches
de 1 quand les surfaces sont très absorbantes (entrepôt de stockage du papier) et proche de 0 dans le
cas où les surfaces sont très réfléchissantes. Nous remarquons que la puissance décroît en fonction du
retard plus rapidement dans l’entrepôt de stockage du papier que dans les autres environnements. Nous
observons aussi que le niveau de la puissance dans l’usine de production ne décroît pas aussi rapidement
que dans l’aciérie, en raison du fait que les surfaces présentes dans l’usine de processus industriels ont
des coefficients de réflexion plus élevés.

Figure 1.20 – modèle IPDP dans quelques environnements

5.2.3 Le modèle à deux clusters

Le modèle à deux clusters est basé sur le modèle Saleh et Valenzuela présenté dans la sous section 5.2.1.
La réponse impulsionnelle du canal est générée à partir de 2 clusters suivant la loi de Poisson où l’un

32
5. Modèles de propagation existants dans un contexte industriel

est retardé de quelques nanosecondes par rapport à l’autre. Afin de garantir que la variation globale de la
puissance suit une décroissance exponentielle, le second cluster est pondéré par rapport au premier. Cela
assure une la continuité globale de la décroissance de la puissance de façon exponentielle. Le modèle
prédit les PDP dans le cas où la pièce n’est pas réverbérante et où le niveau de puissance reçue dépend de
la longueur des trajets et de la puissance dissipée sur les surfaces réfléchissantes. Ce modèle modélise les
PDP selon : le niveau de la puissance et le retard du trajet direct, des trajets réfléchis et les caractéristiques
de l’environnement.

5.2.4 Adjusted model

Le travail de [COLL+11] valide leur modèle nommé "adjusted model" en le comparant à la mesure et
à trois modèles statistiques : le modèle de Saleh et Valenzuela, le modèle "two-cluster" et le modèle
"indoor power delay profil (IPDP)". La campagne de mesures est effectuée dans 3 environnements : une
aciérie, une usine de papier et dans un laboratoire. Les bandes de fréquence utilisées sont : 183-683 MHz,
1640-2140 MHz et 2200-2700 MHz. Le paramètre étudié est la dispersion des retards.
– Le banc de mesure était constitué de : 1 analyseur vectoriel, 2 antennes omnidirectionnelles, 2 câbles de
15 m et 1 ordinateur avec le logiciel MATLAB. Une fois la réponse fréquentielle mesurée, l’analyseur
l’envoie à l’ordinateur qui la convertie en réponse impulsionnelle et calcule la dispersion des retards
et d’autres paramètres tels que la temps de cohérence et le retard moyen.
L’équation de la dispersion des retards pour ce modèle diffère en fonction de l’environnement et de la
condition de visibilité.
• Dans le cas d’un entrepôt de stockage de papier en LOS, il suit l’expression suivante :

RMS (ns) = (13, 2005 − 3, 5434 × log10 ( f (MHz))) × log10 d(m)A (7)

où :
A = 1, 45976 × 1, 00054 f (MHz) (8)

Fréquence Mesurée (ns) Adjusted Model (ns) S-V (ns)


2450 MHz 3,62 3,2962 3,1246

Table 1.4 – Dispersion des retards à 16 m dans le cas LOS

• Dans le cas d’une usine de production de papier en LOS, le RMS a pour expression :

RMS (ns) = (−256, 874 + 86, 6423 × log10 ( f (MHz))) × log10 d(m)A (9)

où :
A = 0, 00066 × 1, 00365 f (MHz) (10)

• Dans le cas d’une usine de production de papier en NLOS, le RMS a pour expression :

RMS (ns) = (−1266, 38 + 413, 9182.log10 ( f (MHz))).log10 d(m)A (11)

33
Chapitre 1. Contexte et état de l’art

Fréquence Mesurée (ns) Adjusted Model (ns)


2450 MHz (6 m) 9,8200 10,5767
2450 MHz (19 m) 101,750 124,734

Table 1.5 – Dispersion des retards dans le cas LOS

Fréquence Mesurée (ns) Adjusted Model (ns)


2450 MHz (9 m) 127,04 122,9362
2450 MHz (17 m) 217,42 216,5945

Table 1.6 – Dispersion des retards dans le cas NLOS

où :
A = 25, 849.0, 999 f (MHz) (12)

Les résultats des comparaisons ont montré que, pour les deux cas de visibilité, la dispersion des retards
croît en fonction de la distance. Par contre selon l’environnent de propagation, le RMS décroît ou croît
en fonction de la fréquence.

5.2.5 WINNER

Les modèles géométriques stochastiques modélisent le comportement du canal selon une approche sto-
chastique basée sur des lois statistiques. Le modèle de canal WINNER (Wireless World Initiative New
Radio)[WIN+07] est un modèle géométrique stochastique qui résulte d’une suite d’extension de modèles
de canaux tels que le 3GPP-SCM et l’IEEE 802.11 Tgn [JAM+05]. Il décrit le canal de propagation
comme une somme de trajets regroupés en cluster. Il supporte une quinzaine de scénario de propagation
indoor dont le scénario B3 spécifique aux environnements tels que les salles de conférences, les gares, les
aéroports ainsi que les usines. Ces différents environnements présentent tous de grands espaces ouverts,
mais aucun de type hangar ou entrepôts industriels, généralement encombrés d’obstacles métalliques.
L’approche de ce modèle est détaillée dans le deuxième chapitre.

5.2.6 Rappaport et al.

Rappaport et al. [RAP+91] ont développé un modèle statistique pour les communications radios utili-
sées dans les usines et les halls. Le modèle appelé SIRCIM (simulation of indoor radio-channel impulse-
response models) a été utilisé par plusieurs chercheurs pour générer, par simulation, la réponse impul-
sionnelle et le Path-Loss dans des bureaux et des bâtiments industriels. Le modèle est basé sur les résul-
tats de campagnes de mesures faites dans cinq bâtiments industriels. Ce modèle décrit : la distribution du
nombre des multi-trajets dans le profil de retard "multipath delay profil", la distribution du nombre des
multi-trajets "MPC" reçus dans une zone locale, la probabilité de recevoir chaque multi-trajet avec un re-
tard particulier, la distribution des amplitudes, phases et retards des multi-trajets dans une zone locale et
la probabilité de recevoir des multi-trajets à des emplacements de petites échelles (small scale locations).
Ils ont aussi modélisé à partir des données empiriques la corrélation entre l’amplitude des trajets qui ont
les mêmes retards pour une distance faible entre récepteurs.

34
5. Modèles de propagation existants dans un contexte industriel

D’après des campagnes de mesures effectuées dans des usines, il s’est avéré que :
– Dans la plupart des cas la dispersion des retards est plus élevée dans des environnement non-partitionnés
que dans des environnements partitionnés de type bureaux ;
– En moyenne le signal dans le cas LOS s’atténue plus rapidement avec la distance que dans le modèle
Free space qui suppose qu’il n’y a que le trajet direct entre l’émetteur et le récepteur. Cela est vraisem-
blablement dû aux interférences destructives causées par les trajets réfléchis sur le sol ou le plafond
ainsi que les objets métalliques. Ces trajets arrivent avec des retards inférieurs à 7,8 ns. En NLOS,
la puissance des trajets ayant des petits retards suit une loi dont la décroissance est plus rapide qu’en
LOS.

5.2.7 Shkeikh et al.

Shkeikh et al. [SHE+10] ont effectué une campagne de mesures dans une aciérie afin de caractériser le
canal de propagation dans cet environnement avant le déploiement d’un système sans fil. Ce système sans
fil servira à surveiller et contrôler l’installation industrielle où le déploiement et la maintenance du réseau
filaire Fieldbus sont très coûteux. Pour cette campagne, des antennes discônes omnidirectionnelles sont
placées à 1,3 m et 1,5 m pour l’émission et la réception. La fréquence utilisée est 1,8 GHz. Les résultats
présentés pour différents point de mesures sont : le Path-Loss ; le nombre de trajet ; le retard maximal ; le
retard moyen et la dispersion des retards. La dispersion des retards varie selon le point de mesure entre
25 et 269 ns, le retard moyen varie entre 51 et 480 ns et le nombre de trajet varie entre 2 et 20.

5.2.8 Karedal et al

Karedal et al proposent dans [KAR+08] un modèle statistique basé sur trois campagnes de mesures effec-
tuées dans deux halls industriels de dimensions 13, 6 × 9, 1 × 8, 2m3 pour les deux premières campagnes
et 94 × 70 × 10m3 pour la troisième. Les bandes de fréquence utilisées sont : 3,1 - 10,6 ou 3.1 - 5,5 GHz.
L’outil utilisé pour mesurer les PDPs est un réseau d’antennes MIMO 7 × 7 placé à 1 m du sol couplé
à un analyseur de réseau vectoriel. Trois scénarios de mesures ont été choisis : LOS, NLOS PP (peer to
peer ou point à point) et NLOS BS (Base station). L’émetteur a été placé sur un balcon et les récepteurs
sur le sol.
Un traitement des données mesurées est effectué afin d’obtenir le profil des retards instantané et moyen
(APDP) afin de calculer le paramètre le plus largement utilisé pour un canal sans fil : la dispersion des
retards.
L’analyse des PDPs obtenus montre que les multi-trajets arrivent en plusieurs clusters distincts. Ces clus-
ters peuvent sont identifiables et modélisés selon le modèle de Saleh-Valenzuela. Toutefois, en observant
les APDPs il en ressort deux différences par rapport au modèle conventionnel S-V :
– Les différents clusters présentent un temps de décroissance différent. Les clusters ayant un grand retard
ont une plus grande constante de temps de décroissance ;
– Les clusters n’ont pas forcement une seule pente de décroissance. Dans certain cas, ils sont mieux
décrits comme une somme de multi-trajets spéculaires et des clusters diffus avec une grande constante
de décroissance temporelle.
Pour les trajets en LOS, ainsi que pour la plupart des cas NLOS, le premier trajet est puissant et il est

35
Chapitre 1. Contexte et état de l’art

suivi par un minimum prononcé de l’APDP. Une autre importante observation dans ce contexte est que
le premier trajet est très puissant même en NLOS quand la distance entre l’émetteur et le récepteur est
petite. Lors des mesures en NLOS (point à point) à 4 m, la réponse impulsionnelle a un comportement
similaire à celui des réponses mesurées en LOS. La valeur de la dispersion des retards pour ce point de
mesure est égale à 34 ns est proche de celui en LOS à 4 m : 31 ns. Ainsi, selon la distance entre les
antennes, deux cas de NLOS ont été identifiés :
– NLOS A où la distance est petite et où le premier trajet est puissant et l’allure générale ressemble à
celle des cas LOS.
– NLOS B dont la distance est supérieure selon l’environnement à 8m ou 10 m. L’allure de L’APDP est
différent puisque la puissance ne décroît pas de façon monotone en fonction du retard.
La dispersion des retards, pour la première et deuxième campagne de mesures, varie en moyenne entre
28 et 38 ns en LOS, et entre 34 et 51 ns en NLOS (PP et BS). Pour la troisième, elle varie entre 34 et
50 ns en NLOS PP et entre 39 et 45 ns en NLOS BS. La dispersion des retards, comme dans plusieurs
études [GRE+97, JON+08, BUL+90 et COLL+11] s’est avérée croître en fonction de la distance. Le
Path-Loss a une pente de décroissance plus petite que celle reportée dans la littérature, cela est causé par
des multi-trajets dans le hall industriel.
Leur modèle statistique a été mis en œuvre selon le modèle de S-V. L’identification des clusters a été
faite selon une approche visuelle. Un cluster est identifié selon deux critères : chaque cluster a une
constante de régression temporelle et le début d’un nouveau cluster est marqué le plus souvent par une
puissance plus grande. Sur l’ensemble des mesures le nombre de clusters varie entre 4 et 6. Ainsi, cinq
clusters sont en moyenne observés. Ensuite les paramètres du modèle ont été calculés. Ils proposent ce
modèle en tant qu’une base pour les systèmes de simulations et précisent que ce modèle n’est valide
que pour des environnements similaires à ceux dans lesquels ils ont effectué leurs mesures. Pour valider
leur modèle, ils comparent 100 APDPs moyennés chacun sur 49 réponses impulsionnelles individuelles.
Le tableau 1.7 montre une bonne concordance entre la moyenne des dispersions des retards simulées et
mesurées dans différents scénarios.

scenario simulation (ns) mesure (ns)


environnement 1 LOS 27 28 - 38
environnement 1 NLOS A 36 34 - 50
environnement 2 PP NLOS A 40 34-50
environnement 2 PP NLOS B 41 38 - 50

Table 1.7 – Validation du modèle - Dispersion des retards

Les travaux de Tanghe et al. [TAN+09] ont présenté une analyse des PDPs issus d’une campagne de
mesures effectuée dans une usine qui produit et stocke du bois. L’usine est constituée d’un seul étage
et le plafond est approximativement à 7 m de hauteur. Les machines présentent des hauteurs entre 2
et 3 m. Les mesures ont été réalisées avec un analyseur de réseau, un amplificateur et des antennes
omnidirectionnelles positionnées à 2 m du sol pour le récepteur et et 6 m pour l’émetteur. Les mesures
sont effectuées dans la bande de fréquence 800 MHz à 4 GHz.
Une partie de ce papier est focalisée sur l’extension et la validation du modèle de S-V présenté dans
[KAR+08]. L’analyse des APDPs montre que les trajets arrivent en clusters. Ces derniers ont été détectés

36
6. Conclusion

visuellement et leur nombre varie entre 6 et 8. Ensuite, à partir des APDP les paramètres du modèles de S-
V sont extraits : le taux d’arrivée des clusters, le taux d’arrivée des trajets, le coefficient de décroissance
inter-clusters et les coefficients de décroissance intra-clusters. La figure 1.21 montre l’APDP mesuré
en NLOS. La distance entre les antennes est égale à 20 m. Les lignes continues noires représentent
la décroissance intra-clusters, les lignes en pointillées représentent la décroissance inter-clusters et les
débuts des clusters sont indiqués par des flèches.
Les cas LOS et NLOS ont été calibré séparément, mais il s’est avéré que les paramètres du modèle ne
semblent pas différer de manière significative.

Figure 1.21 – APDP mesuré à 20 m en NLOS

6 Conclusion

Ce chapitre a présenté les avantages qu’a tirés l’industrie en intégrant les systèmes de communications
dans ses processus, tout au long de leur développement. Ainsi, après s’être d’abord intéressée aux réseaux
filaires, elle s’efforce à intégrer de plus en plus des réseaux sans fil basés sur le canal radio fréquence.
Cette étude se situe dans le contexte des transmissions sans fil en milieu industriel, où le canal de pro-
pagation est très fortement perturbé par la complexité géométrique ainsi que par le caractère métallique
des obstacles rencontrés dans ce type d’environnement. Les performances d’un système de transmissions
sans fil sont directement liées aux conditions de propagation entre l’émetteur et le récepteur. Pour déve-
lopper de tels systèmes, une parfaite connaissance du canal radio est nécessaire. Comme nous venons de
le voir, les modélisations purement déterministes ou statistiques présentent chacune des avantages, le réa-
lisme en ce qui concerne les premières et le temps de calcul concernant les secondes. En s’appuyant sur
ce constat, nous proposons dans le deuxième chapitre, un modèle dit hybride, i.e qui allie les avantages
respectifs des modèles déterministes et statistiques, à savoir réalisme et faible temps de calcul.

37
Bibliographie

[AND+13] M.Andersson, Wireless Technologies for Industrial applications, ConnectBlue Février 2013.
[AVE+00] L.Aveneau, Development and evaluations of physical and computer optimizations for the UTD,
3D model, IEEE Antennas and Propagation, April 2000.
[BAD+05] H.Badis, Thèse : Étude et conception d’algorithmes pour les réseaux mobiles et Ad-hoc, 2005.
[BEN+09] S.Benferhat, Thèse : Simulation des conditions de trafic intracellulaire d’un réseau sans fil en
milieu industriel par un modèle de propagation composite, Mai 2009.
[BUD+10] A.Buda, Wireless Technologies in Factory Automation, Factory Automation, Javier Silvestre-
Blanes (Ed.), 2010.
[BUL+90] R.J.C Bultitude, Measurements of wideband propagation characteristics for indoor radio with
predictions for digital system performance, Proc. Wireless conf., Canada, July 1990.
[CIR+02] Wireless Communication for industrial Applications. Cirronet,Inc. Summer 2002.
[comM2M] www.comm2m.fr
[COL+11] J.Coll, Industrial environment characterization for future M2M applications, Electromagnetic
Compatibility (EMC), 2011 IEEE International Symposium.
[COLL+11] J.Coll, Industrial Indoor Environment Characterization Propagation Models, Symposium on
Electromagnetic Compatibility, September 2011.
[ENO] Enocean www.enocean.com
[FAH+08] W.Fahs, Thèse : Diffusion d’informations partagées entre mobiles coopérants évoluant sous une
même cellule d’un réseau sans fil avec infrascbus tructure, Nov 2008.
[GAL+12] L.Gallois, Rapport au premier ministre : Pacte pour la compétitivité de l’industrie française,
Nov 2012.
[GAU+06] S.Gaunnet, White paper : Gestion de projet M2M, 2006.
[GIM+13] L’industrie 4.0, L’usine connecté. Gimélec, Septembre 2013.
[GRE+97] L.j.Greestein, A new path-gain/delay-spread propagation model for digital cellular channels,
IEEE Trans. Veh. Technol. VOL 46, NO 2, pp. 477-485, May 1997.
[HAD+11] E.Hadad, thèse : Apport de la modélisation déterministe 3D indoor pour l’ingénierie des sys-
tèmes radios avancés, 2011. [GUE+09] I.Guerin, Évolution du standard pour réseau sans fil : IEEE
802.11, 2009.

39
Bibliographie

[HART+08] WirelelessHART : Applying Wireless Technology in Real-Time Industrial Process Control,


IEEE 2008.
[HART] HART Communication http://hartcomm.org
[HAS+93] H.Hashemi, The indoor radio propagation channel, Proc. IEEE vol. 81, no. 7, pp. 943–968,
1993.
[HAU+04] JP.Hauet, Aperçu sur les nouvelles communications sans fil et leur applications dans l’industrie,
Nov 2004.
[HIJ+08] H.Hijazi, thèse : Estimation de canal radio-mobile à évolution rapide dans les systèmes à modu-
lation OFMD, 2008.
[HUS+94] T.Huschka, Ray tracing models for indoor environments and their computational complexity.
In Personal, Indoor and Mobile Radio Communications, 1994. Wireless Networks - Catching the
Mobile Future. 5th IEEE International Symposium on, pp. 486 –490 vol.2, September 1994.
[IEC 61512, 1997] IEC 61512,Batch control, International Electrotechnical Commission, 1997.
[JAM+05] T.Jamsa, Overview of winner channel modelling activities, 15th WWRF meeting, 2005.
[JAU+06] Ethernet industriel, Journal de l’automatisme N 49, Nov-Déc 2006.
[JAUU+06] La communication sans fil en milieu industriel, journal automatisme, Mars-Avril 2006.
[JON+07] JongHo Kim, The multipath delay spread model for the LOS case in urban areas, Information,
Communication & Signal Processing, 2007.
[JON+08] JongHo Kim, The multipath delay spread model for the LOS case, Radio Technology group,
ETRI, Korea, 2008.
[KAR+08] J.Karedal, A measurement-based statistical model for industrial ultra-wideband channels, IEEE
transaction on wireless communications, VOL.6, NO.8, August 2007.
[KEL+62] J. B. Keller. Geometrical Theory of Diffraction. J. Opt. Soc. Am, 52(2) : 116-130,1962. Cite en
page 22.
[KER+08] M2M : Comment rédiger son cahier des charges, Kerlink Nov 2008.
[LIN+89] Ling, H., R.-C. Chou, and S.-W. Lee (1989, February). Shooting and bouncing rays : calculating
the rcs of an arbitrarily shaped cavity. Antennas and Propagation, IEEE Transactions on 37 (2),
194 –205.
[PAE+04] M. Paetzold. Mobile Fading Channels. Wiley, 2002.
[PAJ+06] P.Pajusco, Vers des radiocommunications configurables et cognitives, 2006.
[PRO+99] Profibus : Manuel technique, Septembre 1999.
[RAP+89] S.Rappaport, Indoor radio communication for factories of the future, IEEE communication ma-
gazine. May 1989.
[RAPP+89] S.Rappaport, UHF fading in factories, IEEE journal in selected areas in communications, VOL
7, NO. 1. January 1989.
[RAP+91] S.Rappaport, Statistical channel impulse response models for factory and open plan building
radio communication system design, IEEE transactions on communications, VOL. 39, NO 5, May
1991.

40
[SCH+02] Magasine Schneider Electric de l’enseignement technologique er professionnel: Les bus et les
réseaux de terrain en automatisme industriel Schneider Electric, Nov 2002
[SHE+10] H.Sheikh, On the design of a wireless network in an industrial environment,IEEE Communica-
tion Systems (ICCS), 2010.
[SIE+04] Wireless modules, SIEMENS, octobre 2004.
[SV+87] A. Saleh and R. Valenzuela, A Statistical Model for Indoor Multipath Propagation, Selected Areas
in Communications, vol. 5, pp. 128, 1987.
[TAM+95] W.K. Tam and V.N. Tran, Propagation modelling for indoor wireless communication, Electro-
nics & Communication Engineering Journal, october 1995.
[TAN+08] E. Tanghe, W. Joseph, L. Verloock, L. Martens, H. Capoen, K. Van Herwegen, and W. Van-
tomme, The industrial indoor channel : large-scale and temporal fading at 900, 2400, and 5200
mhz, IEEE Trans.Wireless Commun. vol. 7, no. 7, pp. 2740–2751, 2008.
[TAN+09] E.Tanghe, The industrial indoor channel : Statistical analysis of the power delay profile, Inter-
national journal of electronics and communication AEU, June 2009.
[VIE+12] E.Viennet, Cours : Réseaux ARS3, Automatismes industriels et réseaux, 2012.
[WIN+07] P.Kyösti, et al., WINNER II Channel Models IST-WINNER D1.1.2, ver 1.1, 2007.

41
Chapitre 2
Concept du modèle hybride

Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2 Étude préliminaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.1 Présentation du modèle déterministe . . . . . . . . . . . . . . . . . . . . . . . 46
2.2 Présentation du modèle WINNER . . . . . . . . . . . . . . . . . . . . . . . . 50
2.3 Comparaison des deux modèles . . . . . . . . . . . . . . . . . . . . . . . . . 60
3 Approches de partitionnement spatial de l’environnement dans la littérature . . . 63
4 Hypothèse de partitionnement spatial en environnement industriel . . . . . . . . . 64
5 Principe général du modèle proposé . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

43
1. Introduction

1 Introduction

L’intégration des nouveaux systèmes de communication sans fil dans les processus industriels a nécessité
l’étude du canal de propagation afin d’assurer des performances satisfaisantes de ces derniers. Dans le
but de prédire le comportement des ondes électromagnétiques lors de leur propagation, différents travaux
ont été menées dans divers bâtiments industriels. La plupart de ces études étudient le canal d’une manière
empirique. Dans ce cas la modélisation obtenue est étroitement lié aux environnements où les campagnes
de mesures ont été faites. Ainsi, étant donné que les environnements mesurés sont limités, les modèles
proposés ne prétendent pas décrire un environnement industriel "général"[Kar+07].
Les modèles déterministes comme par exemple le tracer de rayons, ne sont pas les mieux adaptés aux
environnements industriels pour deux raisons. La première concerne la modélisation de l’environnement,
qui est dans ce cas complexe du fait que l’environnement contient beaucoup de réflecteurs. Ces réflecteurs
sont essentiellement des machines de différentes tailles et hauteurs, des poutres, des conduits d’aération,
des rails d’alimentations et éclairages ainsi que leurs supports. Les résultats de simulation peuvent ne pas
être précis si tous les réflecteurs ne sont pas intégrés à la scène ; certains d’entre eux ne le pouvant pas de
par leur dimension vis à vis de la longueur d’onde considérée. En effet, rappelons que seuls les objets de
dimensions supérieures à la longueur peuvent être traités correctement par les méthodes asymptotiques
en fréquence. La deuxième raison est le temps de calcul qui est très élevé et qui augmente en fonction
du nombre d’interactions paramétrés dans la simulation, ainsi que de la complexité de l’environnement
considéré.
Une fois l’état de l’art établi, nous avons constaté qu’il y avait peu de modèles conçus pour ce contexte
comparativement aux autres environnements indoor et outdoor. Quant aux modèles statistiques existants,
ils sont moins précis que les modèles déterministes car ils ne prennent pas en considération l’environne-
ment de propagation. Par contre leur principal avantage réside dans leur rapidité de calcul.
Dès lors, la première étape de notre travail consiste en une étude préliminaire basée sur la comparai-
son du modèle statistique WINNER, considéré dans la littérature comme le modèle stochastique le plus
abouti car tenant compte des caractéristiques physiques du canal de propagation, à un modèle de canal
de propagation à tracer de rayons 3D. L’objectif de cette comparaison est d’identifier les similitudes et
différences de ces derniers dans ce contexte industriel. Pour cela, les critères de comparaison utilisés sont
la dispersion des retards et le temps de calcul.
Dans le cadre de cette thèse, suite à la comparaison précédente nous proposons un modèle de canal
hybride pour les environnements industriels type usine de production. Ce modèle repose sur la com-
plémentarité de deux approches : un modèle déterministe, basé rayons, qui prend en compte certaines
caractéristiques de l’environnement et est paramétré de telle façon à ce qu’il soit rapide ; ainsi que d’un
modèle statistique. Nous expliquerons le principe de chacun de ces deux modèles avant de présenter le
concept du modèle hybride proposé.

2 Étude préliminaire

Le but de cette étude est d’analyser les similitudes et les différences entre un modèle statistique et un
modèle déterministe à tracer de rayons 3D. Cette comparaison, en environnement indoor industriel, re-
pose sur la dispersion des retards, calculés sur un grand nombre de réponses impulsionnelles complexes

45
Chapitre 2. Concept du modèle hybride

(RIC), et sur le temps de calcul. Ces RIC sont issues du modèle «WINNER II» [WIN+07] et d’un lo-
giciel déterministe à tracer de rayons, développé au sein du département SIC du laboratoire XLIM. Ce
logiciel de propagation a été confronté à la mesure dans différents contextes autres que l’industrie. Sa
confrontation à la mesure dans un environnement industriel fera l’objet du chapitre 4.
Dans cette section nous présenterons d’abord le simulateur à tracer de rayons, son principe et ses di-
vers paramètres d’entrées. Ensuite nous présenterons le modèle statistique et enfin les résultats de la
comparaison des deux modèles.

2.1 Présentation du modèle déterministe

Le simulateur que nous avons utilisé pour simuler les interactions entre les ondes et l’environnement
tout au long de ce travail est un logiciel dont le synoptique est décrit dans la figure 2.1. Il permet de
prédire de façon déterministe le comportement du canal radioélectrique. Son principe repose sur un
tracer de rayons associé aux lois de l’Optique Géométrique et de la Théorie Uniforme de la Diffraction
[MOR+05, EPAV+01].

Figure 2.1 – Synoptique du simulateur de propagation d’ondes électromagnétiques

Ce simulateur prend en compte la description de l’environnement, les informations relatives aux antennes
d’émission et de réception ainsi que les conditions de simulation. L’utilisateur doit tout d’abord spéci-
fier les caractéristiques géométriques et électriques de la scène à simuler, la position des antennes, leurs
diagrammes de rayonnement ainsi que la fréquence porteuse. Pour la recherche des trajets existant entre
l’émetteur et le récepteur, le nombre d’interactions maximal de réflexions (R), de diffractions (D) et de
transmission (T) doit être défini par l’utilisateur.

46
2. Étude préliminaire

La précision des simulations produites par le logiciel de propagation comparativement aux résultats de
mesures est fortement liée au niveau de description de l’environnement tant d’un point de vue géomé-
trique qu’électrique. Cette précision des calculs est également dépendante du choix du nombre d’inter-
actions maximum. Cependant, plus le nombre d’interactions maximum et le nombre d’éléments géomé-
triques composant l’environnement sont élevés, plus les simulations présenteront des temps de calculs
importants.
De ces données, le simulateur calcule la réponse impulsionnelle complexe du canal radioélectrique ainsi
que les angles d’arrivée et de départ en azimut et en élévation des trajets. Il permet aussi de visualiser
en deux ou trois dimensions les trajets suivis par les ondes électromagnétiques lors de leur propagation
comme l’illustre la figure 2.2.

Figure 2.2 – Interface du simulateur de propagation

2.1.1 Modélisation de la scène

Afin de caractériser le comportement des ondes radio en environnement industriel à l’aide de notre si-
mulateur, on a besoin dans un premier temps d’une scène qui modélise l’environnement de propagation.
Notre choix s’est porté sur l’usine de production de Schneider Electric localisé sur le site des Agriers
d’Angoulême. L’environnement a toutes les caractéristiques fondamentales des sites industriels. L’usine
est composée de deux parties : une réservée essentiellement pour les bureaux et une autre pour la pro-
duction. Dans cette étude on ne s’intéressera qu’à la deuxième partie qui est constituée d’un seul hall
ayant une superficie globale de 930 m2 . Elle contient des machines de nature métallique dont la hauteur
moyenne est de 1,1 m et qui forment par conséquent des obstacles lors de la propagation des ondes.

47
Chapitre 2. Concept du modèle hybride

Une modélisation en trois dimensions de la salle de production a été réalisée afin de pouvoir effectuer
des simulations de transmission radioélectrique. La salle de production est constituée de trois principaux
ensembles d’objets : le sol, les murs et le plafond. Néanmoins, deux ensembles se distinguent de part
leurs complexités, le plafond et le sol.
La modélisation du plafond a été basée sur des photographies prises à l’usine. Sa complexité a engendré la
nécessité de décomposer sa modélisation en quatre étapes, chacune d’elles modélisant un sous-ensemble.
• Les poutres et les fenêtres : il s’agit de la partie supérieure du plafond sur laquelle est suspendue le
reste des sous-ensembles ;
• Les éclairages et leurs supports : ces éléments de tailles modestes sont relativement présents dans
l’usine ;
• Les rails d’alimentations et leurs supports : à l’image des éclairages, ces éléments font partie intégrante
du plafond de l’usine modélisée ;
• Les conduits d’aération : ces éléments présentent la particularité d’être de forme cylindrique.
Ces éléments ayant une taille inférieure à celle de la longueur d’onde (12 cm à 2,45 GHz), notre simula-
teur ne peut pas reproduire correctement le comportements des ondes lors de leurs interactions avec ces
objets. Pour cela seuls les objets ayant des dimensions supérieures à la longueur d’onde sont modélisés
dans notre scène.
La modélisation du reste de l’environnement (sol + machines de production) a pu être établie sur la
base d’un plan de l’usine en deux dimensions comprenant l’emplacement des différentes machines de
production, ainsi que des mesures de hauteur de ces dernières afin d’obtenir une modélisation en trois di-
mensions. Ainsi, les machines sont représentées par un ou plusieurs parallélépipèdes rectangles. Une fois
la scène minutieusement modélisée, l’étape suivante consiste à définir le nombre maximal d’interactions.
Pour cela, une étude basée sur la puissance totale reçue a été menée.

2.1.2 Paramétrage du nombre d’interactions

Les simulations par tracer de rayons doivent être exécutées selon un nombre défini d’interactions. Comme
cela a été expliqué précédemment, ce paramétrage est fondamental car il conditionne la précision des ré-
sultats ainsi que le temps de calcul. Le nombre optimal d’interactions dépend des caractéristiques de
l’environnement et ne peut être prédéfini que par classe d’environnement étudié. Néanmoins, certaines
interactions peuvent être prédéfinies suite à une bonne connaissance des spécificités électriques de l’en-
vironnement de propagation.
Rappelons-nous que l’environnement de l’usine des Agriers est composé d’une seule grande salle qui
contient des objets de nature métallique. Dans cette configuration les interactions de type réflexion seront
favorisés et à contrario, les interactions de type transmission n’auront aucune influence sur les résultats
étant donné la nature des objets. Sur ce type d’interface, rappelons que les travaux de Fresnel indiquent
que les coefficients de réflexion sont proches de un et que les coefficients de transmission sont proches de
zéro [BAL+89]. En conséquence, les trajets transmis seront négligeables et ne seront pas pris en compte
dans nos simulations. Quant au troisième type d’interaction, nous avons fixé le nombre de diffraction
prise en compte à 1. En effet, la diffraction est un phénomène très atténuant vis à vis de la réflexion, donc
une double diffraction conduira effectivement à une contribution négligeable. Ainsi, une onde ayant été
diffractée deux fois aura statistiquement une amplitude négligeable sur le résultat final. De plus, consi-

48
2. Étude préliminaire

dérer davantage de diffractions revient à augmenter de façon exponentielle la complexité et par voie de
conséquence le temps de calcul.
En conclusion, pour notre étude paramétrique les simulations seront configurées à 0 transmission, 1
diffraction et le nombre de réflexions fera l’objet d’une étude paramétrique. Pour fixer le nombre de ré-
flexions le choix de la métrique de comparaison s’est porté sur l’analyse des puissances de réception. Pour
cela nous avons répartis uniformément dans la scène 2000 récepteurs par zone de visibilité (LOS/NLOS)
et pour des hauteurs égales à 1,1 m et 0,25 m afin de prendre en compte les deux types d’applications
industrielles existantes : une flotte de véhicules autonomes par exemple des chariots élévateurs d’une
hauteur moyenne d’un mètre ou des robots mobiles d’une faible hauteur de 0,25 m. La figure 2.3 montre
les fonctions de répartitions (CDF Cumulative Distribution Function) de la puissance totale reçue pour
chacune des zones : LOS et NLOS pour un nombre de réflexions allant de 1 à 3.
En se basant sur le principe que la précision des résultats augmente pour un nombre croissant de ré-
flexions [MAS+11], nous remarquons que, quelle que soit la condition de visibilité, nous avons un écart
important entre les courbes pour 1 réflexion et les courbes pour 2 et 3 réflexions. Ce gap se traduit par
une grande erreur de précision. En revanche, entre les courbes pour 2 et 3 réflexions nous avons un
écart faible associé à une erreur peu importante. Nous pouvons déduire que pour cet environnement une
recherche de rayons effectuée avec 2 réflexions et 1 diffraction permettra de donner des résultats assez
précis.

Figure 2.3 – CDF de la puissance en fonction du nombre maximum d’interactions

De plus, le temps de calcul des simulations est aussi un paramètre déterminant dans le choix final du
nombre maximal d’interactions. Comme nous pouvons le constater le temps de simulation pour 3R1D
est très élevé (cf. tableau 2.1). Toutefois, nous proposons un compromis permettant d’accroître davantage
la précision des résultats obtenus sans pour autant augmenter le temps de calcul de la simulation : il s’agit,
au lieu de lancer une simulation à 3R1D, de fusionner des simulations séparées à 2R1D et 3R0D. Ainsi,
les trajets 3R0D seront pris en compte en les ajoutant aux trajets de la simulation 2R1D. Néanmoins, la
combinaison de trajets en 3R1D ne sera pas prise en considération, ce qui ne sera pas préjudiciable dans
le résultat global car un trajet trois fois réfléchis puis diffracté est très atténué comparé à ceux uniquement

49
Chapitre 2. Concept du modèle hybride

réfléchis. Dès lors, le temps de calcul des deux simulations reste raisonnable au vu de la combinaison
2R1D.

Combinaison d’interactions temps de calcul CPU


3R1D 18 h 12 min 9 sec
1R2D 22 min 27 sec 690 ms
2R1D + 3R0D 1 min 3 sec 41 ms + 50 sec 32 ms
2R1D 1 min 3 sec 41 ms
1R1D 279 ms

Table 2.1 – Le temps de calcul correspondant à un lien SISO pour différentes combinaisons d’interactions

Remarque
Pour les simulations le processeur utilisé est un Intel Core Duo E8400 (3 GHz) associé à 3,4 Go de
mémoire vive. Le système d’exploitation est un Linux 32 bits.

2.2 Présentation du modèle WINNER

Basé sur une approche géométrique stochastique, WINNER supporte les dix-huit scénarios répertoriés
dans le tableau 2.2. Ces scénarios ont été modélisés à partir des mesures pour des fréquences allant de 2
à 5 GHz et une bande passante d’environ 100 MHz. Cependant, la bande de fréquence a été étendue pour
la plage de 2 à 6 GHz. Les émetteurs ont une vitesse nulle et les récepteurs peuvent avoir une vitesse qui
varie selon le scénario entre 0 et 350 km/h. Selon la troisième colonne du tableau 2.2 on remarque que
trois conditions de visibilité sont distinguées : LOS, OLOS 17 et NLOS. Cette différentiation est basée
sur l’existence de la composante LOS qui a une influence considérable sur les valeurs des paramètres du
canal.

2.2.1 Principe

Le modèle de canal WINNER est construit à partir de résultats de mesures. WINNER décrit le canal de
propagation comme une somme de trajets regroupés en cluster. Les clusters sont formés des trajets ayant
interagi avec des obstacles dans une zone de diffusion. La figure 2.4 illustre un ensemble de clusters
représentant le canal de propagation. Les trajets de chaque cluster ont des caractéristiques de propaga-
tion similaires. Le nombre de clusters varient entre 8 et 20 en fonction du scénario et des conditions de
visibilité comme résumé dans le tableau 2.3. Chaque cluster est caractérisé par son retard, sa puissance et
ses angles de départ (AoD Angle of Departure) et d’arrivée (AoA Angle of Departure). Enfin, le nombre
de trajets par cluster est fixé à 20.

17. (Obstructed Line of Sight) représente la situation quand le LOS est obstrué partiellement entre l’émetteur et le récepteur

50
2. Étude préliminaire

Scénario Définition LOS/NLOS Mobilité


Km/h
A1 In building Indoor office / residential LOS/NLOS 0-5
A2 Indoor to outdoor NLOS 0-5
B1 Hotspot Typical urban micro-cell LOS/NLOS 0 - 70
B2 Bad Urban micro-cell NLOS 0 - 70
B3 Hotspot Large indoor hall LOS/NLOS 0-5
B4 outdoor to indoor. micro-cell NLOS 0-5
B5a Hotspot Metropol LOS stationary feeder, rooftop to rooftop LOS 0
B5b Hotspot Metropol LOS stationary feeder, street-level to street- LOS 0
level
B5c Hotspot Metropol LOS stationary feeder, below-rooftop to LOS 0
street-level
B5d Hotspot Metropol NLOS stationary feeder, above rooftop to NLOS 0
street-level
B5f Hotspot Metropol Feeder link BS-> FRS (fixed relay station) LOS/OLOS/NLOS 0
C1 Metropol Suburban LOS/NLOS 0 - 120
C2 Metropol Typical urban macro-cell LOS/NLOS 0 - 120
C3 Bad urban macro-cell NLOS 0 - 70
C4 outdoor to indoor macro-cell NLOS 0-5
D1 rural macro-cell LOS/NLOS 0 - 200
D2a Moving networks : BS-MRS, rural LOS 0 - 350
D2b Moving networks : BS-MRS LOS/OLOS/NLOS 0-5

Table 2.2 – Scénarios de propagation spécifiés dans WINNER

Figure 2.4 – Illustration du concept de cluster (les différents diffuseurs au sein de chaque cluster sont
représentés en vert)

51
Chapitre 2. Concept du modèle hybride

Scénario Nombre de clusters Scénario Nombre de clusters


A1 LOS 12 A1 NLOS 16
A2/B4/C4 NLOS 12 B1 LOS 8
B1 NLOS 16 B3 LOS 10
B3 NLOS 15 C1 LOS 15
C1 NLOS 14 C2 LOS 8
C2 NLOS 20 D1 LOS 11
D1 NLOS 10 D2a LOS 8

Table 2.3 – Nombre de clusters selon le scénario et la condition de visibilité

2.2.2 Procédure de génération des coefficients du canal

WINNER utilise une approche dite "générique" pour décrire le comportement du canal, c’est à dire
qu’elle est indépendante du milieu de propagation, du type des antennes et de leurs configurations. Les
coefficients du canal sont obtenus pour chaque lien SISO "Single Input Single Output" selon une succes-
sion d’étapes illustrées sur la figure 2.5.

Figure 2.5 – Procédure de génération des coefficients du canal

52
2. Étude préliminaire

• Paramètres généraux :
Étape 1 :
Choisir l’environnement, la disposition du réseau et les paramètres de la matrice d’antennes.
a. Définir l’un des scénarios listés dans le tableau 2.2.
b. Déterminer le nombre d’antennes émettrices et réceptrices.
c. Déterminer la position des antennes ainsi que leurs directions.
d. Déterminer le diagramme de rayonnement des antennes d’émission et de réception F s et Fu .
e. Déterminer la vitesse et la direction de déplacement des récepteurs.
f. Déterminer la fréquence porteuse du système.

Étape 2 :
Choisir la condition de propagation (LOS/NLOS). Cette dernière peut être soit fixée par l’utilisateur
ou par WINNER en fonction de la condition de probabilité du LOS qui varie en fonction du scénario
et de la distance entre les antennes.

Étape 3 :
Calculer l’atténuation moyenne du signal en fonction de la distance, notée PL pour "Path-Loss". Le PL
est modélisé pour les différents scénarios de WINNER à partir des résultats de mesures ainsi que sur
des résultats issus de la littérature. Par exemple pour le scénario A1 les données de mesures considérées
sont celles fournies par l’Université de technologie d’Helsinki en Finlande. Les réponses impulsion-
nelles sont seuillées selon les conditions de propagation. Un seuillage est fixé à -20 dB par rapport au
trajet le plus puissant de la réponse impulsionnelle. Par contre, quand il existe de bonnes conditions
de propagation, comme dans le cas LOS un seuil plus élevé est utilisé [WIN+07]. Pour supprimer
les évanouissements rapides, une fenêtre de lissage qui dépend de l’environnement et de la fréquence
centrale est appliquée. Le PL s’exprime selon l’équation (1), où d : représente la distance (en m) entre
l’émetteur et le récepteur ; fc la fréquence du système (en GHz) : le coefficient A représente la régres-
sion logarithmique du Path-Loss ; le coefficient B représente l’ordonnée à l’origine ; le coefficient C
décrit la relation entre le path loss et la fréquence ; et X est un coefficient optionnel utilisé dans certains
environnements par exemple dans le scénario A1 NLOS pour modéliser l’atténuation due aux murs.
 
fc [GHz]
PL = Alog10 (d[m]) + B + Clog10 +X (1)
5, 0

Étape 4 :
Générer la corrélation entre les paramètres large bande, l’étalement des retards, l’étalement angulaire,
le facteur K dit "Ricean K-Factor" et les évanouissements liés aux effets de masquage "shadow fading".
• Génération des paramètres à petite échelle :
Cette succession d’étapes consiste à générer, à partir des distributions statistiques, les paramètres des
trajets de chaque cluster. Ces paramètres sont le retard, la puissance liée aux évanouissements rapides
et les angles d’arrivée en azimut et élévation.

Étape 5 :
Tirer aléatoirement selon une distribution exponentiel les retards des clusters (cf. équation (2))

τn = −r s στ ln(Xn ) (2)

53
Chapitre 2. Concept du modèle hybride

où : r s est le facteur de la distribution du retard ; στ est l’étalement des retards ; Xn correspond à une
loi uniforme définie sur l’intervalle (0,1), n = 1, ..., N étant l’index des clusters. Les retards générés
sont normalisés en soustrayant la valeur minimale des retards, puis triés dans l’ordre décroissant (cf.
équation (3)).
′ ′
τn = sort(τn − min(τn )) (3)

Étape 6 :
Calculer les puissances des clusters en supposant que le profil en puissance (PDP) suit une pente
exponentielle. La puissance de chaque cluster est calculée selon l’expression (4)

P
Pn = N n ′ (4)
n=1 Pn

où Pn est calculé selon l’expression (5)
′ −τn −Zn
Pn = exp( ), 10 10 (5)
στ
avec : Zn , le comportement des évanouissements liés aux multitrajet qui suit une loi normal N(0, ζ).
Pour chaque cluster n la puissance d’un trajet est égale à PMn , où M est le nombre de trajets par cluster.
La somme des puissances de tous les clusters est égale à 1.

Étape 7 :
Générer les angles d’arrivée et de départ en azimut.

Pn

2σ AoA −ln( max(P n)
)
ϕ = (6)
C
σAoA est l’écart type des angles d’arrivée et C est un facteur d’échelle qui varie selon le cluster et qui
dépend d’un facteur K. Ce facteur est détaillé à la page 39 du rapport D1,1,2 Part I [WIN+05]. Un

signe positif ou négatif est assigné à l’angle ϕ , en le multipliant à une variable aléatoire Xn qui suit
une distribution normale N(0, σAoA /5). Ceci introduit donc une variation aléatoire.

ϕn = Xn ϕn + Yn + ϕLOS (7)

où ϕLos représente la direction du trajet LOS. Dans le cas LOS l’équation (8) est utilisée à la place de
l’équation (7) expliquée à la page 39 du rapport D1,1,2 Part I [WIN+05].
′ ′
ϕn = (Xn ϕn + Yn ) − (Xn ϕn + Y1 − ϕLOS ) (8)

Afin de générer les angles ϕn,m des vingt trajets de chaque cluster, l’équation (9) est appliquée :

ϕn,m = ϕn + cAoA αm (9)

où αm : correspond à l’offset appliqué. Les valeurs des offset sont répertoriées dans le tableau 4-1 du
rapport D1,1,2 [WIN+05] ; cAoA est l’écart type de l’étalement angulaire des angles d’arrivée ; m est

54
2. Étude préliminaire

l’indice des trajets.

Remarque : Une procédure similaire est appliquée pour les angles de départ φn .

Étape 8 :
Associer aléatoirement les angles de départ aux angles d’arrivée des trajets pour chaque cluster.

Étape 9 :
Générer le ratio de la polarisation croisée "XPR" notée κ pour chaque trajet m de chaque cluster n. Il
est généré d’après une distribution log-normal selon l’équation (10) :
X
κn,m = 10 10 (10)

où : m est l’index du trajet ; X est une distribution gaussienne N(σ, µ) dont les paramètres σ et µ va-
rient selon le scénario et la condition de visibilité. Les valeurs de ces paramètres sont données dans le
tableau 4-5 du même rapport [WIN+05].

• Génération des coefficients du canal


Étape 10 :
Tirer aléatoirement la phase initiale Φvv
n,m , Φn,m , Φn,m , Φn,m pour chaque trajet m de chaque cluster n et
vh hv hh

pour quatre polarisations différentes. Les phases initiales suivent une distribution uniforme sur [−π, π].

Étape 11 :
Générer les coefficients du canal h s,u,n , pour s antennes d’émission, u antennes de réception et n clus-
ters. Ils s’expriment selon l’équation (11):
Matrice de polarisation 2x2
⎤T 
M ⎡ ⎡
⎤ ⎡ ⎤
⎢⎢⎢ Fu,V ⎥⎥⎥ ⎢⎢⎢ exp( jΦvv n,m ) kn,m exp( jΦvh n,m )⎥⎥⎥⎥ ⎢⎢⎢⎢ F s,V ⎥⎥⎥⎥


h s,u,n (t, τ) = Pn ⎢ ⎦ ×⎣
⎥ ⎢
⎦×⎣
kn,m exp( jΦhv n,m ) exp( jΦhh n,m )
⎣ ⎦
m=1
Fu,H F s,H
×exp( j2πλ−1
0 rs .φn,m ) × exp( j2πλ−1
0 ru .ϕn,m ) × exp( j2πvn,m t)δ(τ − τn ) (11)
 
Vue de l’émetteur Vue du récepteur

Le produit scalaire rs .φn,m est défini comme :

r s .φn,m = x s cos(Ψn,m )cos(φn,m ) + y s cos(Ψn,m )sin(φn,m ) + z s sin(Ψn,m ) (12)

Le produit scalaire ru .ϕn,m est défini comme :

ru .ϕn,m = xu cos(γn,m )cos(ϕn,m ) + yu cos(γn,m )sin(ϕn,m ) + zu sin(γn,m ) (13)

La fréquence Doppler vn,m s’écrit :

υ.ϕn,m |v|cos(θv )cos(γn,m )cos(ϕn,m ) + |v|sin(θv )cos(γn,m )sin(ϕn,m )


vn,m = = (14)
λ0 λ0

55
Chapitre 2. Concept du modèle hybride

Étape 12 :

La dernière étape consiste à ajouter aux coefficients du canal le Path-Loss et le shadowing.


Le tableau 2.4 regroupe tous les paramètres du modèle WINNER utilisés dans les différentes équations
citées dans les douze étapes précédentes.

56
2. Étude préliminaire

Paramètres Description
Notations
K Nombre de liens
N Nombre de clusters
M Nombre de trajets par cluster
U Nombre de récepteurs
S Nombre d’émetteurs
T Nombre d’échantillons temporels
Indices
s Indice de l’antenne émettrice Tx
u Indice de l’antenne réceptrice Rx
n Indice des clusters
m Indice des trajets
t Indice du temps
Paramètres d’antennes
Fu,V Diagramme de rayonnement de l’antenne u en polarisation verticale
Fu,V Diagramme de rayonnement de l’antenne u en polarisation horizontale
Fu,V Diagramme de rayonnement de l’antenne s en polarisation verticale
Fu,V Diagramme de rayonnement de l’antenne s en polarisation horizontale
Paramètres du canal de propagation
τn Retard du cluster n
Pn Puissance du cluster n
ϕn,m Angle d’arrivée en azimut du trajet m du cluster n
γn,m Angle d’arrivée en élévation du trajet m du cluster n
φn,m Angle départ en azimut du trajet m du cluster n
Ψn,m Angle départ en élévation du trajet m du cluster n
Φn,m Phase du trajet m du cluster n
vn,m Fréquence Doppler du trajet m du cluster n
κn,m XPR calculé pour chaque trajet m du cluster n
Autres paramètres
σF l’écart type des évanouissements liés aux multitrajets
rs Vecteur de position (x s , y s , z s ) des émetteurs
ru Vecteur de position (xu , yu , zu ) des récepteurs
λ0 Longueur d’onde
v vitesse de déplacement du récepteur
θv direction de déplacement

Table 2.4 – Paramètres utilisés pour le calcul des coefficients du canal

57
Chapitre 2. Concept du modèle hybride

2.2.3 Scénario B3

Le scénario B3 représente les conditions de propagation propres aux larges milieux indoor dits "hots-
pot", avec une couverture partielle et une faible mobilité (entre 0 et 5 km/h) [WIN+05]. Ce scénario
considère un trafic intense dans des environnements intérieurs, comme par exemple, dans les salles de
conférence, les usines, les gares et les aéroports, Ces environnements intérieurs sont caractérisés par de
grands espaces ouverts où la distance entre les antennes peut être importante (entre 5 et 100 mètres). Les
dimensions typiques de ces milieux peuvent aller de 20m × 20m à plus de 100m × 100m et jusqu’à 20 m
de hauteur. Les deux conditions de propagation LOS et NLOS sont considérées [WIN+06].
• Données de référence
Le scénario B3 est paramétré sur la base de trois environnements de mesure : (figure 2.6) un foyer
d’une université (a), une salle de conférence (b) et un hall industriel (c et d). Les deux bâtiments ont
une structure en acier et de nombreux murs et surfaces en verre. La fréquence centrale et la bande
passante choisies pour les trois mesures sont respectivement de 5,2 GHz et 120 MHz.
Le hall d’accueil est caractérisé par un environnement ouvert de 2 étages, de dimension 15m×30m×8m.
La salle de conférence est un amphithéâtre de dimensions 30m × 35m × 15m. La station émettrice a
été montée à la hauteur de 3,8 m et placée entre les rangées de la salle de conférence. Différentes
positions pour l’émetteur et le récepteur ont été mesurées. Lors de la mesure, la condition LOS est la
plus présente. En outre, le cas NLOS a été artificiellement généré en obstruant le trajet direct par un
matériau absorbant. Dans le bâtiment industriel les données étaient collectées au niveau du sol et du

Figure 2.6 – Environnements de mesures pour modèle WINNER : a) foyer b) salle de conférence c-d)
hall industriel

58
2. Étude préliminaire

premier étage (balcon) de la grande salle ouverte ayant des dimensions approximatives de 60m×20m×
8m. La figure 2.7 montre la positon des récepteurs en rouge au rez de chaussée, en bleu à l’étage et
la position de l’émetteur (AP Access Point) placé à 6 mètres. La condition de propagation dominante
dans ce deuxième environnement était également la configuration LOS.

Figure 2.7 – Trajectoires des mesures : rouge-rez de chaussée, bleu-premier étage

• Path-Loss et shadowing
Les valeurs des coefficients A, B et C de l’équation (1) décrivant le Path-Loss sont respectivement
égaux en dB à 13,9, 64,4 et 20 dans le cas LOS, et à 37,8, 36,5 et 23 dans le cas NLOS. L’écart-type
des évanouissements liés aux multi-trajets est égale à 3 dB en LOS et 4 dB en NLOS.
• Probabilité de la condition LOS
La probabilité d’être en visibilité directe est donnée dans le cas où le scénario correspond à un grand
hall d’usine, un aéroport ou une gare ferroviaire [WIN+05] par :

⎨ 1

⎪ , d ≤ 10
PLOS = ⎪ (15)
⎩ exp(− d−10

45 ) , d > 10

Dans le cas d’un amphi ou d’une grande salle de conférence par :



⎨ 1

⎪ , d ≤ 5m
PLOS = ⎪ d−5 (16)
⎩ exp(− 150 ) , 5m < d < 40m

• Table des paramètres du modèle


Dans ce modèle, chaque cluster est composé de 20 rayons ayant des offsets angulaires fixes et des
puissances identiques. Dans le cas où un rayon possède une puissance dominante, le cluster aura 20+1
rayons. Ce rayon dominant a un offset angulaire égal à 0˚. Les angles de départ et d’arrivée sont
couplés aléatoirement. Les paramètres du modèle sont résumés dans le tableau 1 dans le cas LOS du
scénario B3 et dans le tableau 2 pour le cas NLOS dans l’annexe A.

59
Chapitre 2. Concept du modèle hybride

2.3 Comparaison des deux modèles

Pour notre étude comparative des modèles de canaux, WINNER et tracer de rayons, nous avons ef-
fectué des simulations afin d’obtenir des réponses impulsionnelles complexes (RIC) du canal qui nous
permettront de calculer la dispersion des retards et le retard moyen.
Pour les simulations déterministes, nous avons positionné dans l’environnement industriel que nous
avons décrit dans le paragraphe 2.1.1 des dipôles verticaux dont la hauteur est de 1,1 m pour les
récepteurs et 1,5 m pour l’émetteur. La distance entre les récepteurs est de 1 m. À l’aide de notre
logiciel déterministe, nous avons déterminé la position des récepteurs qui sont en LOS et NLOS.
Par la suite nous avons lancé pour chacun des modèles une simulation avec 126 positions en LOS
et une autre avec 536 positions en NLOS. La figure 2.8 montre le plan de l’usine avec un émetteur
et des récepteurs en visibilité directe avec l’émetteur. Pour notre logiciel de simulation nous avons

Figure 2.8 – Plan de l’usine avec un émetteur et des récepteurs en LOS

fixé le nombre de réflexions à 3 et le nombre de diffractions à 1. Pour WINNER nous avons choisi
le scénario B3. Nous avons utilisé par conséquent la même fréquence, le même type d’antennes et
des positions de l’émetteur et des récepteurs similaires pour avoir la même base de comparaison. Les
figures 2.9, 2.10, 2.11, 2.12 représentent respectivement les réponses impulsionnelles obtenues à
partir du logiciel déterministe et WINNER pour deux positions de réception, la première en LOS et la
seconde en NLOS.

60
2. Étude préliminaire

Figure 2.9 – Réponse impulsionnelle issue du simulateur déterministe pour un émetteur en LOS

Figure 2.10 – Réponse impulsionnelle issue de WINNER pour le même émetteur en LOS

Figure 2.11 – Réponse impulsionnelle issue du simulateur déterministe pour un émetteur en NLOS

61
Chapitre 2. Concept du modèle hybride

Figure 2.12 – Réponse impulsionnelle issue de WINNER pour le même émetteur en NLOS

Pour calculer la dispersion des retards, nous avons échantillonné les réponses impulsionnelles issues du
simulateur déterministe avec un pas similaire à celui de WINNER : 5 ns. Ensuite nous avons normalisé
les retards et les puissances de chaque RIC. Cette normalisation consiste, par RIC, à retrancher le retard
minimal du retard de tous les trajets. L’origine des retards devient ainsi égale à 0. Pour la puissance,
nous la normalisons en divisant toutes les puissances par la puissance maximale.
Le tableau 2.5 résume les résultats obtenus. Nous avons calculé pour chacun des modèles la moyenne
des dispersions des retards et des retards moyens selon la zone de visibilité. Nous observons que le
modèle déterministe présente en moyenne une dispersion des retards plus grande en LOS qu’en NLOS
alors que pour le modèle WINNER la tendance est inverse. En revanche, le modèle WINNER est plus
pessimiste car quelle que soit la configuration sa dispersion est supérieure à celle du modèle déter-
ministe (cf. tableau 2.5). Ainsi, pour le modèle WINNER le canal est plus sélectif en fréquence. Le
temps de calcul nécessaire pour calculer une RIC avec le modèle déterministe, dans cet environnement
industriel est en moyenne égal à 1 min 3 sec. Le modèle statistique quant à lui calcule une RIC en 0.86
seconde en moyenne.

Déterministe WINNER
LOS NLOS LOS NLOS
Dispersion des retards (ns) 35,52 32,95 94,06 107,38
Écart-type 4,57 6,63 28,15 32,02

Table 2.5 – Comparaison des paramètres entre le modèle déterministe et WINNER

Suite à cette étude comparative, nous remarquons que le modèle WINNER est plus pessimiste par rap-
port au modèle déterministe. Par contre, le temps de calcul du modèle déterministe est trop important
par rapport à WINNER. Suite à cette conclusion, nous proposons d’hybrider les deux approches. Afin
de développer cette approche hybride nous nous sommes intéressés à des travaux de recherche dans
lesquels les auteurs proposent un partitionnement de l’environnement en différentes zones présentant
des caractéristiques physiques de la propagation. Nous présentons rapidement ces études dans la section
suivante.

62
3. Approches de partitionnement spatial de l’environnement dans la littérature

3 Approches de partitionnement spatial de l’environnement dans la litté-


rature

Parmi les classifications d’environnements industriels, celles de [RAPP+89] et [TAN+08] sont les plus
détaillées. Dans [RAPP+89], une classification en quatre topologies est proposée d’après une étude me-
née dans cinq usines :
– LOS avec encombrement léger (light clutter) : dans ce cas il existe un trajet direct entre l’émetteur et
le récepteur avec peu d’obstacles sur ce trajet. La hauteur des obstacles est généralement inférieure à
celle des antennes émettrice et réceptrice.
– LOS avec encombrement fort (heavy clutter) : ce cas se différencie du précédent par la présence des
obstacles aux alentours avec une hauteur plus grande que celle des antennes. Cette configuration peut
se trouver le long des couloirs stockant une grande quantité de marchandises.
– NLOS avec encombrement léger : le trajet direct est bloqué par les obstacles d’une hauteur comparable
ou légèrement plus grande que celles des antennes réceptrices mais inférieure à celle de l’émetteur. Ce
cas de figure existe typiquement dans des ateliers d’usinage ou des lignes d’assemblage manuel.
– NLOS avec encombrement fort : cette configuration est omniprésente dans les usines, par exemple
dans une fonderie, à travers des lignes d’assemblage automatique ou entre des couloirs dans un entre-
pôt. Le trajet direct est bloqué par des obstacles dont la hauteur est supérieure à celle de l’émetteur et
bien supérieure à celle du récepteur.
Le travail de [TAN+08] fusionne les deux topologies en LOS pour ce qui est de la variation à grande
échelle (Large-scale fading). Dans ce cas, la hauteur des obstacles environnants n’a pas un grand im-
pact sur le Path-Loss. Dans ces travaux la distinction des NLOS faible et fort est faite en se basant sur
l’encombrement de l’environnement autour des antennes.
Une autre méthode de distinction du cas de la non-visibilité a été proposée par LI [LI+10] mais cette
fois-ci dans le cas d’un canal de propagation LMS (Land Mobile Satellite) pour les communications
satellitaires. Il s’agit des communications entre un mobile terrestre et un satellite. Notons que ce type de
canal partage certaines caractéristiques avec un canal de propagation terrestre, notamment le phénomène
des multi-trajets mais se distingue par une distance émetteur-récepteur très importante.
Une analyse des multi-trajets qui sont à l’origine des variations du signal a été faite à l’aide d’un outil
basé sur une approche à rayons. Il s’est avéré que la réflexion introduit une atténuation beaucoup moins
importante qu’une diffraction ou une double réflexion. De ce fait, le trajet le plus puissant en absence
du trajet direct est le trajet simplement réfléchi. Ce trajet prédominant en NLOS, contribue à un niveau
moyen relativement stable et significatif du signal en zone NLOS faible. En son absence dans la zone
NLOS fort, le signal reçu est constitué de la somme de trajets très atténués ce qui cause des évanouisse-
ments rapides et profonds.
Les travaux de [GIO+10] distinguent deux cas de non-visibilité, dans un environnement urbain extérieur.
L’émetteur et le récepteur sont dits en NLOS1, s’ils se déplacent sur deux segments adjacents de la route,
et s’ils ne sont pas dans la fenêtre de vue de l’autre, comme représenté sur la figure 2.13 (a). Deux
véhicules sont également considérés en NLOS1 s’ils sont sur deux segments de route séparés par deux
carrefours et l’un des deux est en LOS avec le plus lointain carrefour, comme dans la figure 2.13 (b).
Ils sont supposés en NLOS2, s’ils se trouvent sur deux segments de route séparés par deux carrefours
et s’ils ne sont ni en LOS ni en NLOS1, comme le montre la figure 2.13 (b). Ainsi, la distinction des

63
Chapitre 2. Concept du modèle hybride

conditions de propagation, est déduite à partir de la topologie de l’environnement et de la position des


antennes mobiles.

Figure 2.13 – Exemples regroupant trois conditions de propagation : LOS, NLOS1 et NLOS2

4 Hypothèse de partitionnement spatial en environnement industriel

Les études précédentes ont proposé de séparer le cas NLOS en deux sous cas sur la base du niveau de
puissance reçue [LI+10] ou des propriétés physique de l’environnent industriel [TAN+08 et RAPP+89].
En s’inspirant de ces principes nous avons effectué une analyse dans un milieu industriel afin de vérifier
le découpage de la zone NLOS sur le critère d’existence du second plus puissant trajet qui est le trajet
réfléchi une seule fois tel que l’a proposé [LI+10] dans le cadre d’un canal LMS. La figure 2.14 montre,
pour un environnement simple, le résultat du partitionnement obtenu après la première étape détermi-
niste. La simplicité de ce paramétrage (1R-0D-0T) conduit à un temps de calcul lié au partitionnement
quasiment nul.

Figure 2.14 – Partitionnement spatial

Afin de vérifier la validité de partitionnement spatial du cas NLOS, dans un environnement industriel
nous avons analysé les résultats issus de notre outil de simulation déterministe. Les antennes utilisées sont

64
4. Hypothèse de partitionnement spatial en environnement industriel

de type omnidirectionnel. L’émetteur est placé à 5 mètres au centre de la scène tandis qu’une grille de
récepteurs distants de 12 cm sont répartis dans toute la scène. Nous avons fixé deux hauteurs de récepteur,
soient 1,1 m et 0,25 m. Parallèlement, pour chacune des hauteurs, nous avons réalisé une cartographie
qui nous permet de distinguer les 3 zones de visibilité identifiées par l’étape de partitionnement avec
un paramétrage du simulateur à 1 réflexion et 0 diffraction. La figure 2.15 représente le partitionnement
spatial pour 1,1 m et la figure 2.16 celui pour 0,25 m. La zone LOS est représentée en rouge, NLOS1
(trajet réfléchi une fois) en jaune et NLOS2 (absence des trajets direct et réfléchi une fois) en turquoise.

Figure 2.15 – Partitionnement spatial de l’environnement h = 1,1 m

Figure 2.16 – Partitionnement spatial de l’environnement h=0,25 m

Ensuite, dans chacune des zones (LOS, NLOS1 et NLOS2) et pour les deux hauteurs de réception, nous
avons choisi mille récepteurs répartis uniformément dans la scène pour analyser dans un premier temps
la puissance des trajets reçus (pour une simulation 3R1D) afin de vérifier si la puissance du trajet réfléchi

65
Chapitre 2. Concept du modèle hybride

une seule fois est le trajet prédominant dans la zone NLOS1. Dans les tableaux 2.6 et 2.7 nous avons la
moyenne de la puissance reçue par type d’interactions obtenues ainsi que leur classement selon un ordre
d’atténuation. Nous remarquons que pour les deux hauteurs (1,1m et 0,25 m), le trajet le plus puissant
est bien le trajet "1R0D".

Nombre de réflexion Nombre de diffraction Moyenne de la puissance ordre


0 1 -80,03 2
1 0 -74,71 1
1 1 -86,79 5
2 0 -80,73 3
2 1 -88,60 6
3 0 -85,03 4

Table 2.6 – Puissances associées aux combinaisons d’interactions à 1,1m

Nombre de réflexion Nombre de diffraction Moyenne de la puissance ordre


0 1 -79,66 3
1 0 -71,10 1
1 1 -84,47 5
2 0 -75,65 2
2 1 -87,15 6
3 0 -81,34 4

Table 2.7 – Puissances associées aux combinaisons d’interactions à 0,25 m

Une seconde étude a été faite pour vérifier cette fois si cette répartition des zones peut être observée
au niveau de la puissance totale reçue par les récepteurs et au niveau de la dispersion des retards. Pour
cela, nous avons calculé la fonction de répartition de la puissance totale reçue par zone (cf. figure 2.17 et
figure 2.18) et identifié la loi la modélisant ainsi que celles de la dispersion des retards (cf. figure 2.19 et
figure 2.20)
Nous observons que pour la puissance totale reçue, les CDF sont bien séparées avec un ordre décroissant
en puissance allant de la configuration LOS à la NLOS2, ce qui montre cette distinction entre la zone
LOS et NLOS d’une part et entre les deux zones NLOS d’autre part. Cette observation est valide pour
les deux configurations de hauteur d’antennes. D’après les tableaux 2.8 et 2.9 la loi "lognormal" est la
loi qui modélise la puissance. Nous remarquons aussi que, bien que nous ayons identifié les mêmes lois,
leurs paramètres ont des valeurs différentes.
Pour la dispersion des retards, nous remarquons qu’à chacune des hauteurs les CDF des trois zones ont
des pentes de croissance différentes. À 1,1m, bien que les zones NLOS1 et NLOS2 ont des moyennes
similaires (37,09 ns et 38,19 ns) respectivement elles ont des écarts-types (8,51 ns et 4,29 ns) ainsi que
les valeurs minimale et maximale différentes ce qui démontre bien la différence entre ces deux zones de
non-visibilité.
À 0,25 m, nous observons aussi cette distinction entre la CDF de la zone NLOS1 et NLOS2. À cette
hauteur, la moyenne de la dispersion des retards est égale à 24,99 ns en NLOS1 et 27,99 ns en NLOS2 et

66
4. Hypothèse de partitionnement spatial en environnement industriel

les écarts-types de 9,49 ns et 10,66 ns respectivement. Les tableaux 2.10 et 2.11 résument les lois ainsi
que les valeurs de leurs paramètres pour la dispersion des retards dans les 3 zones de visibilités.

Figure 2.17 – Fonction de répartition des puissances à 1,1m

Figure 2.18 – Fonction de répartition des puissances à 0,25 m

67
Chapitre 2. Concept du modèle hybride

Zone Loi 1er Paramètre 2ème Paramètre


LOS Lognormal -9,1723 0,8693
NLOS1 Lognormal -9,6771 0,9426
NLOS2 Lognormal -10,2958 1,0697

Table 2.8 – Paramètres de la loi modélisant la puissance totale reçue à 1,1 m

Zone Loi 1er Paramètre 2ème Paramètre


LOS Lognormal -9,21 0,83
NLOS1 Lognormal -9,8929 0,8560
NLOS2 Lognormal -10,2852 0,8323

Table 2.9 – Paramètres de la loi modélisant la puissance totale reçue à 0,25 m

Figure 2.19 – Fonction de répartition de la dispersion des retards à 1,1 m

Zone Loi 1er Paramètre 2ème Paramètre


LOS weibull 36,25 5,19
NLOS1 nakagami 4,86 1,44e+03
NLOS2 normal 38,19 4,29

Table 2.10 – Paramètres de la loi modélisant la dispersion des retards à 1,1 m

Les deux zones NLOS1 et NLOS2 présentent bien des niveaux de puissance et de dispersion des re-
tards spécifiques. Ainsi, nous allons nous appuyer sur ce partitionnement spatial pour construire notre
modélisation hybride. De plus, l’identification de ces trois zones est directement liée aux spécificités de
l’environnement.

68
5. Principe général du modèle proposé

Figure 2.20 – Fonction de répartition de la dispersion des retards à 0,25 m

Zone Loi 1er Paramètre 2ème Paramètre


LOS weibull 27,54 3,75
NLOS1 weibull 28,03 2,87
NLOS2 weibull 31,22 2,86

Table 2.11 – Paramètres de la loi modélisant la dispersion des retards à 0,25 m

5 Principe général du modèle proposé

L’objectif de cette thèse est de simuler le plus précisément possible le comportement du canal dans
un environnement complexe tout en ayant un temps de calcul raisonnable. Sur la base de l’étude que
nous venons de présenter, nous proposons d’implémenter un modèle hybride, reprenant à son compte les
avantages respectifs des modèles déterministes et statistiques.
Dans la littérature, deux grandes familles de modèles utilisent la notion "hybride" [LI+10].
– La première repose sur la prise en compte des informations relatives à l’environnement dans un modèle
statistique. Elle s’inspire des travaux de Lutz et al. [LUT+91], Sauder et Evans [SAU+97] afin de
générer des environnements virtuels pour modéliser la communication. Ainsi, ces travaux ont montré
que les paramètres physiques de l’environnement tels que la hauteur, la largeur des bâtiments ainsi que
les espacements entre ces derniers suivent certaines distributions.
– La deuxième associe deux modèles de simulations dans le but de ne tenir compte que de leurs avan-
tages respectifs.
Notre modèle entre dans la deuxième famille, puisque nous proposons d’associer un modèle déter-
ministe à un modèle statistique pour construire notre modèle hybride. Sa mise en œuvre, comme le
montre la figure 2.21, repose sur une première étape de partitionnement de l’environnement obtenue
via une simulation déterministe basé sur un tracer de rayons, dans l’environnement 3D, ne considérant

69
Chapitre 2. Concept du modèle hybride

qu’une seule réflexion afin de déterminer les zones LOS, NLOS1 18 (existence d’un trajet simplement
réfléchi) ou NLOS2 19 (absence de trajet simplement réfléchi). Dans un second temps, nous proposons
d’utiliser cette information déterministe afin de lancer, dans chaque zone issue du partitionnement spa-
tial (LOS, NLOS1 et NLOS2), un modèle statistique type WINNER dont les lois statistiques gérant
les différents paramètres (retards, angles ...) auront été calibrées sur la base d’informations purement
déterministes provenant de notre simulateur à rayons. Ainsi notre modèle statistique se composera des
trois configurations LOS, NLOS1 et NLOS2 contrairement aux deux prévues classiquement (LOS et
NLOS) pour avoir des résultats plus précis. L’implémentation du modèle type WINNER au sein de
chaque zone spatiale sera décrite dans le chapitre suivant.

Figure 2.21 – Principe du modèle hybride

6 Conclusion

Dans le but de proposer un modèle de canal pour la simulation d’environnements industriels, nous avons
réalisé dans le premier chapitre un état de l’art sur les modèles de canaux existant dans la littérature.
Ce dernier a dévoilé qu’il existe deux grandes familles de modèles, les déterministes et les statistiques.
Les modèles déterministes permettent de prédire précisément le canal s’ils sont bien paramétrés mais
présentent l’inconvénient de consommer un grand temps de calcul. Parmi les modèles statistiques le
modèle WINNER ressort comme étant le plus abouti.
La première section de ce chapitre a présenté les deux outils de simulation du canal radioélectrique
utilisés dans ces travaux de recherche. Nous avons dans un premier temps présenté le modèle détermi-
niste tridimensionnel à tracer de rayons développé au sein du laboratoire, sa paramétrisation ainsi que
la description de la scène industrielle d’étude. Dans un deuxième temps nous avons présenté le modèle
18. NLOS faible
19. NLOS fort

70
6. Conclusion

statistique WINNER, son principe et la procédure de génération des coefficients du canal. Ensuite, nous
avons présenté une étude comparative des paramètres larges bandes obtenus à partir de ces deux modèles.
Nous avons constaté que WINNER est plus pessimiste que le modèle déterministe mais plus rapide.
Pour répondre aux besoins de la modélisation du canal de propagation en milieu industriel, nous avons
donc choisi d’associer le réalisme du modèle déterministe à la rapidité de calcul du modèle statistique
et ainsi de proposer un modèle hybride. Dans la littérature, les modèles statistiques distinguent généra-
lement les cas LOS et NLOS. D’après les résultats de notre comparaison, cette distinction est évidente
mais reste insuffisante. Ces deux configurations de réception sont généralement considérées sur la base
de l’existence du lien direct (zones LOS et NLOS). Néanmoins cette classification simpliste ne permet
pas de modéliser les phénomènes de propagation parfois disparates en zone NLOS, là où les multi-trajets
prennent toute leur importance en l’absence du trajet direct. C’est pourquoi, en s’inspirant d’études
précédentes ([RAP+89], [GIO+10] et [LI+10]), nous nous sommes intéressés à cette séparation de la
configuration NLOS en deux sous configurations de non-visibilité faible et forte. Nous avons montré
que cette séparation est aussi valide dans un milieu industriel. Le troisième paragraphe présente le prin-
cipe de notre modèle hybride. Notre proposition est la suivante : dans un premier temps nous proposons
de partitionner l’environnement de propagation en trois zones distinctes (LOS, NLOS faible/NLOS1 et
NLOS profond/NLOS2) sur la base d’un calcul déterministe très simple (1R-0D-0T). La simplicité de
ce paramétrage conduit à un temps de calcul lié au partitionnement quasiment nul. La deuxième étape
consiste alors à jouer au sein de chaque zone (LOS, NLOS1 et NLOS2) un modèle statistique type WIN-
NER paramétré conformément à leurs caractéristiques propres. Ce dernier point est crucial car le modèle
stochastique ne considère classiquement que deux configurations (LOS et NLOS). Ces deux étapes, dé-
terministe puis statistique, révèlent bien le caractère hybride de notre modèle qui nous permettra de
simuler de façon rapide et réaliste le comportement du canal radio. Dans le troisième chapitre, nous
détaillerons la procédure suivie pour la modélisation de notre modèle statistique.

71
Bibliographie

[BAL+89] Constantine A.Balanis, Advanced Engineering Electromagnetics, May 1989.


[COM+07] P.Combeau, R.Vauzelle, Y.Pousset and L.Aveneau, An optimization in computation time for
the prediction of radio coverage zones, Radio sciences vol. 42, p. 18, January 2007.
[EPAV+01] F.Escarieu, Y.Pousset, L.Aveneau and R.Vauzelle, Outdoor and Indoor Channel Characteriza-
tion by a (3D) Simulation Software. IEEE International Sympsorium on Personnal, Indoor and
Mobile Radio Communication, PIMRC, Septembre 2001.
[ESC+02] F.Escarieu, Etude de la paropagation dans les milieux indoor (Intérieurs des Bâtiments) autour
de 2 GHz. PhD thesis, Université de Poitiers, Décembre 2002.
[GIO+10] E.Giordano, Corner: a realistic urban propagation model for vanet, in Proceedings of the 7th
international conference on Wireless on-demand network systems and services, ser. WONS’10.
Piscataway, NJ, USA: IEEE Press, 2010.
[HAI+12] S.Hairoud, Thèse : Modélisation dynamique des canaux MIMO pour les transports ferroviaires,
2012.
[LUT+91] E.Lutz, D.Cygan, M.Dippold, F.Dolainsky and W.Papke, The land mobile satellite communica-
tion channel-recording, statistics, and channel model, IEEE Trans. Veh. Technol. vol. 40, no. 2,
May 1991.
[MAR+02] J.Marais, Thèse : Localisation de mobiles terrestres par satellites. Mise en œuvre d’outils per-
mettant l’analyse de l’influence des conditions de propagation et des effets de masques sur la
disponibilité du service offert, 2002.
[MOR+05] F.Mora and L.Aveneau, Optical and Signal Parameter Estimation, IEEE Transaction on Anten-
nas and Propagation, AP-34 : pp,276-280, 1986.
[PER+08] C.Pereira, Thèse : Etude avancée des canaux de transmission radio en contexte MIMO : envi-
ronnements complexes et couplage inter-antennes très large bande, 2008.
[RAP+89] T.Rappaport, Characterization of UHF Multipath Radio Channels in Factory Buildings, IEEE
transactions on antenna and propagation, VOL. 37, NO. 8, August 1989.
[RAPP+89] S.Rappaport, UHF fading in factories, IEEE journal in selected areas in communications, VOL
7, NO. 1. January 1989.
[SAU+97] S.R.Sauders and B.G Evans, A physical-statistical model model for land mobile satellite propa-
gation in built-up areas, Proc. 10th International Conference on Antennas and Propagation (Edin-
burgh), vol. 2, 1997.

73
Bibliographie

[TAN+08] E.Tanghe, The Industrial Indoor Channel : Large-Scale and Temporal Fading at 900,2400 and
5200 MHz ,2008.
[WIN+05] WINNER 1 wp5 : Final Report on Link Level and System Level Channel Models.
[XI+10] X.Li, thèse : Un modèle hybride statistique/déterministe du canal LMS en environnements com-
plexes, 2010.

74
Chapitre 3
Modélisation du volet statistique du modèle hybride

Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2 Construction du modèle statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.1 Démarche suivie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.2 Données issues du simulateur . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.3 Répartition des données en clusters . . . . . . . . . . . . . . . . . . . . . . . 78
2.4 Méthode de validation de la répartition des données en clusters . . . . . . . . . 83
2.5 Identification des lois statistiques . . . . . . . . . . . . . . . . . . . . . . . . 86
3 Génération des coefficients du canal . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4 Pré-validation du modèle hybride . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

75
1. Introduction

1 Introduction

Dans le chapitre précédent, nous avons présenté le principe de notre modèle hybride. Ce dernier se
compose d’un premier bloc déterministe qui nous permet d’identifier trois zones de visibilité (LOS,
NLOS1 et NLOS2) en nous basant sur un critère physique déterminé par notre modèle déterministe à
tracer de rayons. L’existence du trajet direct entre l’émetteur et le récepteur indique que le récepteur
est en zone LOS. L’existence d’un trajet simplement réfléchi indique que le récepteur se trouve en zone
NLOS1. Si ce trajet n’existe pas alors le récepteur est en zone NLOS2.
Rappelons que la détermination de la zone de visibilité par le modèle à tracer de rayons représente
l’organe de décision de notre modèle hybride. Ainsi pour chaque condition de visibilité correspondra une
modélisation statistique du canal. Nous avons aussi pris en compte la hauteur des récepteurs (répondant
à des applications ciblées) lors de la modélisation. Dès lors, pour chaque condition de visibilité deux
modélisations seront proposées pour une hauteur égale à 0,25 m et 1,1 m.
Dans la deuxième section de ce chapitre, nous détaillons la procédure suivie pour modéliser le deuxième
bloc de notre modèle. Ce bloc simule statistiquement le canal de propagation dans un environnement in-
dustriel. La procédure de modélisation s’inspire de celle du modèle WINNER présentée précédemment.
Pour la construction de ce bloc, nous nous sommes basés sur des données issues du simulateur détermi-
niste. Nous rappelons que ces données sont les puissances, les retards et les angles de départ et d’arrivée
en azimut et élévation des trajets existant entre l’émetteur et les récepteurs d’une même zone. Ces don-
nées sont d’abord répartis en clusters à l’aide d’algorithmes tels que K-power mean et P-Silhouettes.
Ensuite, pour chaque cluster nous identifions la loi statistique modélisant au mieux les valeurs de ses
paramètres. Les résultats sont alors stockés dans des tables de correspondance.
La troisième section présente les étapes permettant la génération des coefficients du canal à partir des
tables de correspondance. Nous terminons ce chapitre par une pré-validation du modèle. Elle consiste à
fixer un paramètre de calibration afin que notre modèle soit opérationnel.

2 Construction du modèle statistique

2.1 Démarche suivie

Pour modéliser le comportement du canal dans chacune des trois zones (LOS, NLOS1 et NLOS2), nous
nous sommes inspirés du modèle de canal WINNER. Ce modèle a été présenté en détail dans le deuxième
chapitre. Il repose sur le principe de clusters et en définit un nombre spécifique pour chaque condition
de visibilité. Chaque cluster se compose d’un nombre fixe de trajets égal à 20. Dans le scénario B3
[WIN+05] dédié aux larges milieux indoor, le nombre de clusters varie entre 10 et 15 pour les conditions
de visibilité LOS et NLOS respectivement. Les retards sont générés selon une distribution exponentielle
et les angles, selon une distribution gaussienne. Quant à la puissance de chaque cluster, elle est calculée
selon la formule (4) présentée dans la section (2.2.2).
Afin de convenablement paramétrer la partie statistique de notre modèle hybride, le simulateur détermi-
niste (tracer de rayons 3D) nous fournit pour chaque trajet existant entre l’émetteur et le récepteur : son
retard, ses angles de départs et d’arrivés en azimut et élévation ainsi que le champ électrique complexe.
Pour nos simulations déterministes, nous avons utilisé la scène représentant l’usine de production avec

77
Chapitre 3. Modélisation du volet statistique du modèle hybride

le même paramétrage du simulateur présenté dans le deuxième chapitre (3R1D). Les antennes utilisées
sont de type omnidirectionnel et rayonnent à la fréquence de 2,45 GHz. L’émetteur est placé au centre de
la scène industrielle à 5 m de hauteur tandis que mille récepteurs à 0,25 m puis à 1,1 m de hauteur sont
répartis uniformément dans chacune des trois zones (LOS, NLOS1 et NLOS2) identifiées par l’étape de
partitionnement spatial.
Nous commençons par regrouper les données extraites du simulateur, qui représentent les paramètres
des trajets, dans des clusters afin de définir par la suite les distributions qui régissent le comportement
de chaque paramètre. Ensuite nous calculons les coefficients du canal selon une formule analytique res-
semblant à celle du modèle de WINNER [WIN+05]. La démarche de modélisation est appliquée pour
chaque hauteur et chaque condition de visibilité. Au total, nous aurons six cas à modéliser. Une fois tous
les cas modélisés, nous pourrons simuler notre modèle.

2.2 Données issues du simulateur

Pour chacun des six cas à modéliser, nous nous sommes basés sur les résultats des simulations obtenus
pour mille récepteurs répartis uniformément dans chacune des zones (LOS, NLOS1 et NLOS2), sauf
pour le cas NLOS2 à 1,1 m où la majorité des récepteurs étaient localisés dans une partie de la scène. Le
simulateur nous fournit tous les trajets existants entre l’émetteur et le récepteur selon les lois de l’optique
géométrique et de la théorie uniforme de diffraction. Ainsi, les trajets calculés dépendent du nombre
d’interactions que nous avons prédéfini. Cependant, certains de ces trajets bien qu’existant physiquement,
présentent des puissances très faibles et impactent très peu la puissance totale reçue. Dès lors, afin de ne
modéliser que les trajets prépondérants, nous avons effectué un seuillage consistant à supprimer les trajets
dont la puissance est inférieure à -25 dB par rapport à celle du trajet le plus puissant [HAI+12]. Après
seuillage des données, nous obtenons comme le montre le tableau 3.1 un nombre conséquent de trajets
qui nous permettra par la suite de les répartir en clusters.
PP
PP Zone
P LOS NLOS1 NLOS2
Hauteur PPPP
0,25 m 45 600 56 542 56 150
1,1 m 40 056 56 863 43 680

Table 3.1 – Nombre de trajets pour 1000 récepteurs

2.3 Répartition des données en clusters

Le but de cette étape est de regrouper en cluster les trajets ayant des caractéristiques proches. Dans cer-
tains travaux, le clustering est effectué visuellement [CZI+04][VUO+03]. Cela devient difficile voire
même impossible de procéder ainsi quand nous avons un grand nombre de données. De plus, l’inspec-
tion visuelle contient un taux de subjectivité dont la fiabilité pourrait être suspecte. Dès lors, il existe
plusieurs techniques de clustering de rayons, parmi lesquelles le clustering hiérarchique [HAN+01], le
clustering Gaussien [PAR+03] et l’algorithme K-power means [CZI+06]. Jusqu’à présent il n’existe pas
d’algorithme qui permet de former les clusters automatiquement à partir des donnés multidimension-

78
2. Construction du modèle statistique

nelles d’un canal. Ainsi pour une bonne répartition des données, un algorithme de clustering répartit les
données selon les nombres de cluster fixés par l’utilisateur et un deuxième algorithme de validation est
utilisé pour trouver la meilleur répartition des données et ainsi le nombre optimal de clusters.
• Principe du K-power means
Nous avons choisi l’identification des clusters par l’algorithme K-power means [CZI+06] qui appar-
tient à la famille des méthodes de clustering par partitionnement. Sa complexité augmente linéairement
avec le nombre de données ce qui le met en tête des candidats potentiels au vu des données qui nous
concernent [SAL+05].
Cet algorithme a été utilisé récemment dans plusieurs travaux ([TIA+10], [QUI+09]). Sa répartition
des données en cluster repose sur des critères de distance. Pour un nombre donné de clusters, l’al-
gorithme va grouper les trajets de telle sorte à minimiser la distance entre le centre du cluster et ses
trajets afin de former des clusters homogènes tout en cherchant à maximiser la distance entre les
centres des clusters pour que ces derniers soient bien disjoints. Le choix de cet algorithme s’est axé
essentiellement sur deux critères : l’utilisation de métriques adaptées pour calculer la distance entre
les paramètres angulaires et les paramètres temporels des trajets et la pondération de la distance par la
puissance. Nous ne pouvons pas calculer la distance entre des données ayant comme unité la seconde
ou le degré avec les fonctions : distance Euclidienne, de Manhattan, etc ; proposées dans divers algo-
rithmes de clustering car les données ne sont pas de même nature et n’ont, par voie de conséquence,
pas le même ordre de grandeur/échelle.
Prenons l’exemple de la figure 3.1 où 6 trajets arrivent au récepteur avec des angles d’arrivés diffé-
rents. Dans ce cas le nombre optimal de cluster est 2. Physiquement, le premier regrouperait les trajets :
170˚, 180˚et 190˚; le deuxième les trajets : 10˚, 0˚et 350˚. En utilisant l’algorithme du K-means avec la
fonction distance Euclidienne, le trajet arrivant à 350˚sera regroupé dans le premier cluster car il sera
considéré plus proche des trajets de ce dernier. Par contre physiquement il est plus proche du deuxième
cluster. Pour [HAI+12], la répartition des données angulaires et temporelles est faite par l’algorithme
K-means. Une standardisation des données est appliquée pour que l’unité de mesure n’ait pas d’impact
sur la répartition spatiale. La standardisation a pour but de convertir les données mesurées afin qu’elles
présentent une moyenne nulle et un écart-type égal à 1.

Figure 3.1 – Regroupement des trajets en 2 clusters selon le paramètre angulaire

• Métrique pour le calcul des distances entre les multi-trajets


La distance dans le domaine angulaire MCDAoX,i j 20 entre deux trajets i et j est calculée entre leurs

20. MCD (Multi-path Component Distance) métrique utilisée dans l’algorithme K-power means pour calculer la distance
entre deux multi-trajets

79
Chapitre 3. Modélisation du volet statistique du modèle hybride

angles soit d’arrivée MCDAoA,i j soit de départ MCDAoD,i j . Elle est donnée par l’équation (1) [CZI+05] :
⎛ ⎞ ⎛ ⎞
⎜⎜⎜ sin(θi )cos(ϕi )⎟⎟⎟ ⎜⎜⎜ sin(θ j )cos(ϕ j )⎟⎟⎟
1 ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
MCDAoX,i, j = ⎜⎜⎜⎜ sin(θi )sin(ϕi ) ⎟⎟⎟⎟ − ⎜⎜⎜⎜ sin(θ j )sin(ϕ j ) ⎟⎟⎟⎟ (1)
2 ⎜⎝ ⎟⎠ ⎜⎝ ⎟⎠
 cos(θi ) cos(θ j ) 

La distance pour les retards est calculée à partir de l’équation (2) [CZI+05] :
|τi − τ j | τ std
MCDτ,i j = ζ. . (2)
∆τmax ∆τmax
où ∆τmax = maxi, j {|τi − τ j |} est l’écart maximal entre les retards de tous les multi-trajets "Multi-Path
Components" (MPCs) ; ζ est un facteur d’échelle et τ std est l’écart-type des retards de tous les trajets.
La valeur de τ std est fixée à 5 [QUI+11].
La distance résultante entre deux trajets dans le domaine angulaire et temporel est donnée par l’équa-
tion (3) :
MCDi j = ||MCDAoA,i j ||2 + ||MCDAoD,i j ||2 + MCD2τ,i j (3)
• Clustering par l’algorithme K-power means
Soit une matrice A de taille L × N tel que :
– L est le nombre de MPCs ;
– N est le nombre des paramètres qui sont la puissance, le retard (τ), l’angle d’arrivée en azimut et
élévation AoA(ϕAoA , θAoA ) et l’angle de départ en azimut et élévation AoD(ϕAoD , θAoD ).
La première colonne de la matrice A correspond à un vecteur de puissance P = [P1 ...PL ]T , les
autres colonnes contiennent les paramètres temporel et angulaires correspondent à une matrice X =
[X1 ...XL ]T .
Initialement, il faut spécifier une plage [Nmin , Nmax ] correspondant au nombre minimal et maximal
de clusters possibles. Pour chaque nombre N de clusters possibles, l’algorithme K-power means est
exécuté et les résultats sont affectés à une matrice RN . Les données d’entrée de l’algorithme sont le
nombre de clusters N, le vecteur P, la matrice X et le nombre maximal d’itération "Itération Max ". Le
nombre optimal de cluster Nopt est finalement déterminé par une méthode que nous expliquerons dans
la suite de ce chapitre.
Les étapes nécessaires au K-power means pour regrouper les trajets selon un nombre N de clusters
sont décrites dans l’algorithme 1.
Le rôle de l’algorithme de clustering est d’attribuer à chaque MPC l’index du cluster auquel il ap-
partient. Le concept du K-means est approprié à ce challenge si la métrique utilisée est adaptée. Le
K-power means minimise itérativement la somme totale des distances pondérées par la puissance de
chaque trajet, au centroïde de son cluster associé. Rappelons que centre dit aussi "centroïde" repré-
sente le centre de gravité d’un cluster.
La première étape de cet algorithme consiste à choisir le nombre de paramètres (retard, AoAs, AoDs)
pour lesquels nous souhaitons effectuer un clustering. La métrique MCDi, j permet de calculer la dis-
tance entre les cinq paramètres (5D : 5 dimensions) d’un trajet et le centre d’un cluster, ce clustering
est dit 5D. Le clustering peut aussi s’effectuer en commençant par exemple par le domaine des re-
tards (1D) et ensuite pour chaque cluster temporel obtenu effectuer un clustering angulaire, soit sur les
angles de départ et d’arrivée (4D), soit séquentiellement sur AoA puis sur AoD (2D + 2D) [SAL+05].
Une fois la dimension choisie, la deuxième étape consiste à choisir aléatoirement les positions de dé-
part des centroïdes à partir de la matrice des données X. Les centroïdes ont une taille qui dépend du

80
2. Construction du modèle statistique

Algorithm 1 Algorithme K-power mean


1. Définir la métrique pour le calcul de la distance (MCDAoX,i j , MCDτ,i j , MCDi j )

2. Choisir aléatoirement N centres de clusters c(0) (0)


1 , ..., cn à partir de la matrice X

3. Pour i = 1 à Itération_Max

(a) Attribuer les MPCs aux centres des clusters et enregistrer leurs indices :

Il(i) = arg min {Pl .MCD(Xl , c(i−1)


n )},
(4)
I i = [I1(i) ...IL(i) ], c(i) (i)
n = Indices(Il = n)

(b) Recalculer les centres des clusters c(i)


n selon les trajets affectés aux centres

(i)
P .X
j∈c(i) j j
cn =  n (5)
P
j∈c(i) jn

(c) Si c(i)
n = cn
(i−1)
pour tous n = 1...N, alors aller à 4.
sinon incrémenter i

(d) Renvoyer RN = [I (i) , c(i)


n ]

nombre des paramètres à répartir en cluster (1 × X). Ensuite chaque MPC est associé à un centroïde
de cluster de telle façon à minimiser la distance entre le centroïde et le trajet. La puissance des trajets
est prise en compte dans le calcul de la distance comme le montre l’équation (4). Nous pouvons dé-
montrer que la distance globale donnée par l’équation (6) peut être minimisée par cet algorithme en
utilisant (4). Ili représente l’indice du cluster du lème trajet à la ième itération et cin contient l’indice des
trajets appartenant au nème cluster à la ième itération. En intégrant le paramètre puissance à la fonction
calculant la distance, les centres des clusters sont attirés vers les trajets les plus puissant.
Pour mieux expliquer cette pondération par la puissance, nous donnons l’exemple illustré dans la fi-
gure 3.2. Soit un cluster constitué d’un seul paramètre dont les valeurs sont {1, 2, 3, 4, 5, 6} et dont
les puissances respectives sont répertoriées dans le tableau de la figure. Nous calculons son centre
selon deux méthodes. Pour la première, le centre est égal à la somme des valeurs divisée par le nombre
d’échantillons dans ce cas 3,5. Le centre est représenté par un point vert sur la figure. Pour la deuxième,
qui est la méthode utilisée par le K-power means, le centre est calculé selon l’équation (5). Nous
constatons que le centre du cluster représenté par un point rouge (2,88) s’est rapproché des deux
premiers échantillons ayant les plus grandes puissances. Notons que si les trajets avaient la même
puissance, les centres calculés par les deux méthodes auraient la même valeur.

81
Chapitre 3. Modélisation du volet statistique du modèle hybride

Figure 3.2 – Exemple de la pondération de la distance par la puissance

Ainsi pour un N donné, les clusters angulaires et temporels sont formés de telle sorte que les distances
entre les MPC et leurs centroïdes soient minimisées. À la seconde étape (3.b) de l’itération, les cen-
troïdes se déplacent vers les centres de gravité des MPCs attribués à l’étape précédente. Notons qu’il
est probable que le déplacement des centroïdes puisse former un nouveau groupe de trajets qui sera
associé lors de l’itération suivante à un centoïde. L’algorithme converge vers une solution stable si les
centroïdes ne se déplacent plus (étape 3.c de l’algorithme). Cette procédure peut prendre beaucoup
de temps, elle est arrêtée quand le nombre d’itérations maximale est atteint. Cela peut se produire par
exemple quand un MPC est à la même distance deux centroïdes. Les résultats de cet algorithme sont
les centroïdes des clusters c(i) et les index des trajets associés à chaque centroïde I (i) obtenus à la ième
itération. La figure 3.3 récapitule les étapes du clustering.

Figure 3.3 – Principe de l’algorithme Kpower-means

Enfin, pour avoir une meilleure répartition des données en clusters, vu que les centroïdes sont choisis
aléatoirement au début de l’algorithme, nous exécutons plusieurs fois le K-power means. La meilleure

82
2. Construction du modèle statistique

répartition est déterminée par la plus petite valeur de l’équation (6).


L

D= Pl .MCD(Xl , cI (i) ) (6)
l
l=1

• Différentes solutions de répartition


En faisant varier le nombre de clusters [Nmin , Nmax ], l’algorithme regroupe les données selon le nombre
imposé de clusters. Si ce nombre n’est pas optimal, l’algorithme donnera un résultat de clustering
différent à chaque fois que nous l’exécuterons. Pour représenter ce comportement lorsque le nombre de
clusters est instable nous prenons comme exemple des données réparties sur quatre points disposés sur
les sommets d’un carré. Si nous exécutons l’algorithme pour un N = 2 et une puissance similaire pour
simplifier l’exemple nous obtiendrons six configurations différentes comme l’illustre la figure 3.4. Les
contours en rouge et bleu indiquent le cluster auquel chaque trajet (cercle gris) est attribué. Les cercles
noirs désignent le centre du cluster quand il dispose de deux ou trois trajets. Dans les six solutions
nous observons que chaque trajet est bien attribué au centre du cluster le plus proche. Cependant, les
MPC des deux solutions à gauche ont une distance plus petite de leurs centroïdes que les quatre autres
solutions. Les deux solutions à gauche représentent des solutions globales de cluster stables optimales,
tandis que les quatre solutions à droite sont des solutions sous-optimales stables.

Figure 3.4 – Illustration des différentes solutions de la répartition des données en clusters avec N = 2

2.4 Méthode de validation de la répartition des données en clusters

Comme expliqué précédemment le K-power means va, pour un nombre de clusters fixé, grouper les
trajets de façon à minimiser l’étalement global des clusters mais ne va fournir aucune information sur le
nombre optimal de clusters. Pour trouver la meilleure répartition, il existe différentes méthodes dans la
littérature. Les plus connus sont l’indice de Dunn [DUN+73], l’indice de Davies-Bouldin [BEZ+98] et

83
Chapitre 3. Modélisation du volet statistique du modèle hybride

l’indice de Silhouette [ROU+87]. Nous avons choisi l’indice de Silhouette qui a été utilisé dans d’autres
travaux pour modéliser le canal de propagation [SAL+05] et [HAI+12]. Cet indice se caractérise par sa
simplicité et son efficacité.
• Principe
La valeur de cet indice est une mesure de la proximité d’un trajet par rapport aux autres trajets du
même cluster comparée à celle des trajets des autres clusters. Comme pour l’algorithme de clustering
la distance est calculée selon la métrique que l’utilisateur définit. Ainsi, pour une matrice X dont les
L trajets sont répartis en N clusters, l’indice de Silhouette s(Xi,n ) est défini pour chaque trajet Xi,n
appartenant au nème cluster, i ∈ [1, Ln ], n ∈ [1, N] par l’équation (7).

b(Xi,n ) − a(Xi,n )
s(Xi,n ) = (7)
max(a(Xi,n ), b(Xi,n ))

– a(Xi,n ), donné par (8), est la moyenne des distances entre le trajet Xi,n et tous les autres trajets X j,n
appartenant au même cluster Cn , j  i.
Ln
1 
a(Xi,n ) = d(Xi,n , X j,n ), ∀ j  i (8)
Ln−1 j=1

– bm (Xi , n) (9) est la moyenne des distance entre le trajet Xi,n du cluster Cn et tous les trajets
{X j,m } j∈[1,Lm ],m∈[1,N],∀mn appartenant au cluster Cm  Cn .

Lm
1 
bm (Xi,n ) = d(Xi,n , X j,m ) (9)
Lm j=1

– b(Xi,n ) donné par (10) est la plus petite moyenne des distances bm (Xi , n) entre le trajet Xi,n apparte-
nant au cluster Cn et tous les autres trajets appartenant aux autres clusters Cm  Cn . Le cluster pour
lequel nous obtenons cette plus petite moyenne est appelé voisin. Il est considéré comme le second
meilleur choix de répartition pour le trajet Xi,n .
b(Xi,n ) = min (bm (Xi,n )) (10)
m∈[1,N],∀mk

Nous pouvons aussi exprimer les silhouettes s(Xi,n )i∈[1,LN ],k∈[1,N] selon la relation (11):
⎧ a(Xi,n )



⎪ 1 − b(Xi,n ) , si a(Xi,n ) < b(Xi,n )

s(Xi,n ) = ⎪ 0 , si a(Xi,n ) = b(Xi,n ) (11)


⎩ b(Xi,n ) − 1



a(Xi,n ) , si a(Xi,n ) > b(Xi,n ).

La valeur de l’indice s(Xi,n ) est comprise dans l’intervalle [−1, +1].


– Quand s(Xi,n ) tend vers 1, cela signifie que le trajet Xi,n est affecté au bon cluster Cn .
– Quand s(Xi,n ) est égal à 0, cela signifie que le trajet Xi,n peut appartenir à deux clusters.
– Quand s(Xi,n ) est inférieur à 0, le trajet n’appartient pas au bon cluster.
Dans notre étude, pour trouver le nombre optimal de clusters, nous avons utilisé l’indice de Silhouette
avec les mêmes métriques définis précédemment dans le K-power means (MCD_angle et MCD_-
retard). Nous appellerons cet indice P-Silhouette. Le nombre minimal de trajets par cluster est fixé à
30 afin que nous puissions par la suite avoir un nombre suffisant d’échantillons pour l’étude statistique.
Le seuil de la valeur de la silhouette est fixé selon les travaux [SAL+05] à 0,2.

84
2. Construction du modèle statistique

• Résultats du clustering
Les données que nous avons groupées sont les trajets reçus par tous les récepteurs d’une zone de
visibilité. Rappelons que les trajets de chaque récepteur ont d’abord été seuillés à -25 dB par rapport
au trajet le plus puissant de la réponse impulsionnelle. Pour les regrouper nous avons appliqué un
clustering (1D + 4D). Ainsi nous avons d’abord groupé les trajets dans le domaine temporel, puis
pour chaque cluster temporel obtenu nous avons regroupé les trajets dans le domaine angulaire. Le
nombre optimal de clusters est enfin obtenu à l’aide de l’indice de silhouette. Le tableau 3.2 résume le
nombre de clusters obtenu pour chaque zone et chaque hauteur. Par rapport à WINNER qui identifie 10
clusters en LOS et 15 en NLOS, nous constatons que nous sommes dans le même ordre de grandeur.
Nous présentons sur la figure 3.5, dans le cas de non visibilité forte (NLOS2), le résultat du clustering
temporel des trajets obtenu pour la hauteur de réception de 1,1 m. La figure 3.5 (a), présente les retards
des trajets de cette zone en fonction de leurs puissances respectives en linéaire et la figure 3.5 (b) le
résultat du clustering avec N = 3.

PP
PP Zone
PP LOS NLOS1 NLOS2
Hauteur P PP
0,25 m 13 12 11
1,1 m 16 14 11

Table 3.2 – Nombre de clusters

Figure 3.5 – Illustration de la répartition les données en clusters temporels avec l’algorithme K-power
means avec N = 3

85
Chapitre 3. Modélisation du volet statistique du modèle hybride

2.5 Identification des lois statistiques

Une fois les clusters identifiés, nous cherchons via une méthode s’appuyant sur les critères d’information
[ALA+12] la loi statistique modélisant au mieux les valeurs des grandeurs (retards, angles et puissances)
dans chacune des zones. Le principe de cette méthode développée au sein du laboratoire XLIM-SIC,
consiste à sélectionner parmi la liste de lois candidates référencées dans le tableau 3.4 celle qui modélise
le mieux le comportement d’un jeu de données. L’approche par critère d’information (IC) s’écrit de la
façon suivante :
N
IC(l) = −2 log( f̂l (xi )) + kC(N) (12)
i=1

où : le premier terme est l’estimateur de maximum de vraisemblance ; l est l’indice de la loi candidate
analysée ; k représente le nombre de paramètres de la loi ; kC(N) est la pénalité qui diffère selon le
critère choisi : AIC (Akaike Information Criterion) [AKA+73], BIC (Bayesian Information Criterion)
[SCH+78] ou Φβ [ALA+13]. Ces critères ainsi que leurs pénalités sont présentés dans le tableau 3.3.

Critère Pénalité KC(N)


AIC (Akaike Information Criterion) [AKA+73] 2k
BIC (Bayesian Information Criterion) [SCH+73] klogN
Φβ kN log(logN) avec 0 < β < 1
β

Table 3.3 – Quelques critères d’information [SIA+09]

Lois candidates Paramètres


Rayleigh σ
Weilbull λ, k
Nakagami m, ω
Log-normale µ, σ
Uniforme discrète n
Exponentielle λ
Valeurs extrêmes µ, σ
Gamma k, θ
Extremum généralisée µ, σ, ε
Normale µ, σ2
Uniforme a, b
Laplace µ, b

Table 3.4 – Lois et paramètres associés

Ainsi la meilleure loi candidate est celle qui minimise les IC calculés par l’équation (12). Une loi est
ainsi identifiée pour chaque grandeur (puissance, retard, angles). À partir de ces lois, nous pouvons alors
reproduire fidèlement ces différentes grandeurs. La modélisation des retards et de la puissance nécessite
une étape supplémentaire par rapport à celle des angles car ces deux grandeurs sont fortement influencées
par la distance entre l’émetteur et le récepteur. Sachant que chaque cluster regroupe des trajets provenant

86
2. Construction du modèle statistique

de récepteurs placés à différentes distance de l’émetteur, une modélisation sans pré-traitement ne prendra
pas en compte l’influence de la distance.

2.5.1 Modélisation des retards

Pour modéliser les retards, la première étape consiste à déterminer la distribution statistique suivie par
les retards au sein de chaque cluster. Ensuite, afin de prendre en compte la distance entre l’émetteur et
le récepteur lors de la modélisation, pour chaque cluster nous regroupons les trajets dont la distance et
comprise entre d et d + 40λ. En effet, pour chaque plage de 40λ, nous supposons le canal stationnaire au
sens de Parsons [17]. Ainsi la distance entre l’émetteur et le récepteur est prise en compte lors de la mo-
délisation des retards. Pour générer les échantillons stochastiques nous définissons la loi, ses paramètres,
le nombre d’échantillons et la valeur minimale et maximale des échantillons déterministes. Ces valeurs
minimales et maximales permettent de borner les valeurs des échantillons générés afin qu’ils soient dans
la même plage que les échantillons de référence.
Le tableau 3.5 résume les lois statistiques identifiées pour la modélisation du retard et des angles par
cluster dans le cas LOS à 1,1 m. Les résultats de l’identification des lois obtenues pour les six cas sont
répertoriés dans l’annexe B. La figure 3.6 illustre la CDF des retards de propagation des échantillons
déterministes et stochastique d’un cluster.

Paramètres
cluster Retard AoA_az AoA_el AoD_az AoD_el
1 Weibull Normal Normal Valeurs Extrêmes Laplace
2 Weibull Nakagami Normal Nakagami Laplace
3 Gamma Valeurs Extrêmes Nakagami Lognormal Weibull
4 Lognormal Normal Weibull Lognormal Normal
5 Gamma Valeurs Extrêmes Laplace Laplace Normal
6 Lognormal Nakagami Weibull Valeurs Extrêmes Gamma
7 Lognormal Valeurs Extrêmes Weibull Gamma Weibull
8 Weibull Gamma Weibull Weibull Nakagami
9 Laplace Lognormal Laplace Lognormal Laplace
10 Lognormal Gamma Normal Valeurs Extrêmes Nakagami
11 Lognormal Valeurs Extrêmes Valeurs Extrêmes Weibull Normal
12 Lognormal Lognormal Weibull Gamma Lognormal
13 Lognormal Valeurs Extrêmes Nakagami Lognormal Lognormal
14 Lognormal Gamma Weibull Valeurs Extrêmes Nakagami
15 Lognormal Valeurs Extrêmes Laplace Weibull Laplace
16 Lognormal Gamma Valeurs Extrêmes Gamma Valeurs Extrêmes

Table 3.5 – Lois statistiques modélisant le retard et les angles par cluster, LOS à 1,1 m

87
Chapitre 3. Modélisation du volet statistique du modèle hybride

Figure 3.6 – CDF des retards de propagation d’un cluster dans le cas LOS à 1,1 m

2.5.2 Modélisation de la puissance

Deux modélisations pour la puissance ont été développées. La première consiste à modéliser la puissance
des clusters composant la réponse impulsionnelle tandis que la deuxième modélise la puissance totale
reçue par zone.
• Modélisation de la puissance par cluster
Cette étape consiste par cluster, à calculer d’abord la puissance totale qui est la somme complexe des
puissances des trajets en fonction de la distance émetteur-récepteur. Ensuite nous calculons l’atténua-
tion moyenne de la puissance totale pour chaque cluster n de chaque zone, PL(n,zone) en utilisant la
régression logarithmique selon l’équation (13).

PL(n,zone) = A(n,zone) log10 (d[m]) + B(n,zone) (13)

Ainsi en retranchant l’atténuation moyenne à la puissance totale nous obtenons les évanouissements
rapides comme le montrent les figures 3.7 et 3.8 pour un cluster de la zone LOS où les récepteurs sont
à 1,1 m et 0,25 m du sol respectivement. Une fois les évanouissements rapides calculés pour chaque
cluster, nous les normalisons (cf. 2.3) avant d’identifier la loi qu’ils suivent. Le tableau 3.6 liste les
coefficients et lois statistiques associées modélisant la puissance dans le cas LOS à 1,1 m. Les résultats
des lois obtenues pour les six cas sont répertoriés dans l’annexe C.

88
2. Construction du modèle statistique

Figure 3.7 – Puissance totale, atténuation moyenne de la puissance et évanouissements rapides en fonc-
tion de la distance émetteur-récepteur d’un cluster à 1,1 m

Figure 3.8 – Puissance totale, atténuation moyenne de la puissance et évanouissements rapides en fonc-
tion de la distance émetteur-récepteur pour un cluster à 0,25 m

89
Chapitre 3. Modélisation du volet statistique du modèle hybride

Paramètres
Cluster A B Loi évanouissements rapides
1 -0,11 -18,30 Normal
2 -3,01 -1,58 Normal
3 -1,13 28,37 Gamma
4 0,08 -31,74 Laplace
5 1,26 -37,25 Normal
6 -1,36 -28,59 Lognormal
7 -1,52 -35,72 Laplace
8 1,60 -44,56 Nakagami
9 6,08 -31,31 Laplace
10 -0,40 -40,17 Laplace
11 3,87 -39,40 Gamma
12 3,53 -41,46 Nakagami
13 3,88 -36,01 Laplace
14 2,25 -36,01 Gamma
15 4,67 -41,59 Normal
16 0,73 -28,43 Lognormal

Table 3.6 – Coefficients et lois statistiques associées modélisant la puissance, LOS à 1,1 m

• Modélisation de la puissance par zone


Pour calculer la puissance totale reçue par un récepteur dans une zone, nous calculons la somme de
l’atténuation moyenne et des évanouissements selon la distance émetteur-récepteur. Les évanouisse-
ments rapides pour chacune des zones de visibilité ont été modélisés par la même procédure expliquée
précédemment dans le paragraphe 2.5 pour les clusters. La figure 3.9 illustre les évanouissements
rapides de la zone NLOS2 lorsque la hauteur des récepteurs est égal 0,25 m, ainsi que la CDF des
échantillons déterministes et stochastiques. L’atténuation moyenne par zone PLzone a été calculée à
l’aide de la régression logarithmique. Les coefficients Azone et Bzone sont donnés pour chaque zone et
chaque hauteur dans le tableau 3.7 ainsi que les lois et leurs paramètres.

Zone A(n,zone) B(n,zone) Loi 1er Paramètre 2ème Paramètre


LOS (1,1 m) -9,13 -36,39 Gamma 8,87 0,11
NLOS1 (1,1 m) -4,93 -51,88 Gamma 11,05 0,09
NLOS2 (1,1 m) -3,97 -55,05 Lognormal -0,002 0,19
LOS (0,25 m) -11,81 -28,37 Lognormal -0,002 0,37
NLOS1 (0,25 m) -7,46 -43,16 Gamma 8,43 0,12
NLOS2 (0,25 m) -8,74 -44,64 Gamma -3,64 0,61

Table 3.7 – Les coefficients A et B en dB ainsi que les lois et leurs paramètres donnés par zone de
visibilité et hauteur

90
3. Génération des coefficients du canal

Figure 3.9 – Évanouissements rapides (en linéaire) en fonction de la distance émetteur-récepteur, CDF
des évanouissements rapides de la zone NLOS2 à 0,25 m

3 Génération des coefficients du canal

La génération des coefficients du canal pour chaque lien SISO est obtenue à partir d’une succession
d’étapes qui permet de générer des échantillons stochastiques à partir des tables de correspondance où
nous avons stocké les résultats issus de la modélisation statistique de notre modèle. Par la suite nous
calculons les coefficients du canal à partir de ces données. Pour chacun des six scénarios {LOS à 0,25
m et à 1,1 m}, {NLOS1 à 0,25 m et à 1,1 m} et {NLOS2 à 0,25 m et à 1,1 m} nous avons une table de
correspondance qui contient :
– Le nombre de clusters n ;
– Les coefficients Azone et Bzone pour calculer l’atténuation moyenne de la puissance totale reçue par
zone (PLzone ) en fonction de la distance et la loi suivie par les évanouissements rapides ainsi que ses
paramètres et la valeur maximale et la valeur minimale des valeurs à générer ;
– Les coefficients An,zone et Bn,zone pour calculer l’atténuation moyenne par cluster (PLn,zone ) en fonction
de la distance et la loi suivie par les évanouissements rapides ainsi que ses paramètres et la valeur
maximale et la valeur minimale des valeurs à générer ;
– La loi suivie par les retards de chaque cluster en fonction de la distance entre les antennes, ses para-
mètres et la valeur maximale et la valeur minimale des valeurs à générer ;
– La loi suivie par les quatre angles de chaque cluster, ses paramètres et la valeur maximale et la valeur
minimale des valeurs à générer.
1 étape : Configuration du modèle
re

La première étape consiste à choisir le scénario de propagation, qui dans notre cas dépend du paramètre
déterministe issu du premier bloc déterministe de notre modèle hybride :

91
Chapitre 3. Modélisation du volet statistique du modèle hybride

– LOS à 0,25 m ou à 1,1 m ;


– NLOS1 à 0,25 m ou à 1,1 m ;
– NLOS2 à 0,25 m ou à 1,1 m .
Nous fixons ensuite la position des antennes émettrice et réceptrice en (x, y et z) et la fréquence de travail.

2e étape : Calcul de l’atténuation moyenne


La deuxième étape consiste à calculer l’atténuation moyenne (PLzone ) en fonction de la distance.

3eétape : Génération stochastique des paramètres


À partir des lois identifiées et stockées dans la table de correspondance associée au scénario de propaga-
tion, nous générons pour chacun des 20 trajets de chaque cluster son retard, sa puissance ainsi que ses
quatre angles.

4e étape : Tirage aléatoire de la phase


La phase est générée, comme dans le modèle de WINNER, grâce à un tirage aléatoire qui suit une distri-
bution normale.

5e étape : Calcul des coefficients hn


Pour obtenir une réponse impulsionnelle, nous générons les coefficients du canal hn pour chaque clus-
ter n en utilisant la formule (14); dans laquelle seule la polarisation verticale est considérée. Ainsi la
contribution de chaque cluster représente la puissance d’une impulsion dont le retard est τn .

Pn × exp( −τσn ) M
hn = Fu,V × exp( jΦn,m ) × F s,V × exp( j2πλ−1 −1
0 (r s .φn,m )) × exp( j2πλ0 (ru .ϕn,m )) (14)
M m=1

La puissance d’un cluster Pn est calculée comme suit :


M

Pn = PLn,zone + PCS (m, n) (15)
m=1

où : PCS(m,n) est la puissance du nème cluster et mème trajet générée aléatoirement dans la troisième
étape.
Le produit scalaire rs .φn,m est défini comme :

r s .φn,m = x s cos(Ψn,m )cos(φn,m ) + y s cos(Ψn,m )sin(φn,m ) + z s sin(Ψn,m ) (16)

Le produit scalaire ru .ϕn,m est défini comme :

ru .ϕn,m = xu cos(γn,m )cos(ϕn,m ) + yu cos(γn,m )sin(ϕn,m ) + zu sin(γn,m ) (17)

Les différents paramètres qui permettent de calculer les coefficients du canal (cf. équation (14)) sont :
– M le nombre de trajets par cluster que nous avons fixé à 20 pour tous les clusters comme le stipule la
version classique de WINNER;

92
3. Génération des coefficients du canal

– N le nombre de clusters;
– n l’indice du cluster, m l’indice du trajet ;
– t l’indice du temps ;
– Fu,V le diagramme de rayonnement de l’antenne réceptrice en polarisation verticale ;
– F s,V le diagramme de rayonnement de l’antenne émettrice en polarisation verticale ;
– τn le retard du cluster n ;
– Pn la puissance du cluster n ;
– σ le paramètre calibré à partir des résultats déterministe pour contrôler la décroissance de la puis-
sance en fonction du retard. La méthode suivie pour fixer ce paramètre pour les différentes zones est
expliquée dans la section suivante de ce chapitre ;
– ϕn,m l’angle d’arrivée en azimut du trajet m du cluster n ;
– γn,m l’angle d’arrivée en élévation du trajet m du cluster n ;
– φn,m l’angle départ en azimut du trajet m du cluster n ;
– Ψn,m l’angle départ en élévation du trajet m du cluster n ;
– Φn,m la phase du trajet m du cluster n ;
– xu ,yu ,zu la position du récepteur ;
– x s ,y s ,z s la position de l’émetteur.

93
Chapitre 3. Modélisation du volet statistique du modèle hybride

4 Pré-validation du modèle hybride

Dans cette section, nous expliquons la démarche suivie pour fixer notre paramètre de calibration σ de
la formule (14), ensuite nous comparons la dispersion des retards issue du simulateur de canal à tracer
de rayons 3D à celle issue de notre modèle hybride. Pour cela nous avons choisi 100 récepteurs répartis
uniformément dans les 3 zones de visibilité LOS, NLOS1 et NLOS2 pour chacune des hauteurs. Les
figures 3.10 et 3.11 montrent la répartition des 300 récepteurs à 1,1 m et 0,25 m de hauteur dans les trois
zones. Nous avons répartis les récepteurs de telle façon que la valeur de σ soit représentative de toute la
zone.

Figure 3.10 – Position des récepteurs ayant une hauteur égale à 1,1 m

94
4. Pré-validation du modèle hybride

Figure 3.11 – Positions des récepteurs ayant une hauteur égale à 0,25 m

Définition du paramètre σ:
Afin de fixer la valeur de σ, nous avons effectué une étude paramétrique sur la dispersion de retards. Cette
étude consiste à calculer l’écart moyen par zone entre le modèle déterministe et hybride en faisant varier
la valeur de σ. Ainsi, cette moyenne est calculée dans chacune des six zones. Nous commençons par
calculer l’écart par récepteur suivant l’équation (18) ensuite la moyenne de l’écart par zone en calculant
la moyenne sur les 100 récepteurs selon l’équation (19).

Ecartrécepteur = Paramètredéterministe − Paramètrehybride (18)


N
i=1 Ecartrécepteur (i)
MoyenneEcartzone = (19)
N
Les figures 3.12 3.13 3.14 montrent les courbes obtenues de la moyenne des écart de la dispersion des
retards en fonction de σ à 0,25 m. La valeur optimale de σ est choisie de telle façon à avoir une faible
moyenne des écarts de la dispersion des retards.
Le tableau 3.8 résume les différentes valeurs de σ fixées selon la zone de visibilité et la hauteur des récep-
teurs. Ces valeurs de σ nous permettent de calibrer au mieux la partie statistique de notre modèle hybride.
Nous remarquons que selon la hauteur, les valeurs de σ sont très différentes d’une zone à l’autre. Dans

95
Chapitre 3. Modélisation du volet statistique du modèle hybride

le chapitre suivant, nous commencerons par présenter une comparaison entre le modèle déterministe et
notre modèle afin de le valider dans un premier temps via la simulation ensuite via la mesure.

Figure 3.12 – Moyenne des écarts de la dispersion des retards en fonction du paramètre sigma cas LOS
(0,25 m)

Figure 3.13 – Moyenne des écarts de la dispersion des retards en fonction du paramètre sigma cas NLOS1
(0,25 m)

96
5. Conclusion

Figure 3.14 – Moyenne des écarts de la dispersion des retards en fonction du paramètre sigma cas NLOS2
(0,25 m)

0,25 m 1,1 m
Zone Sigma Zone Sigma
LOS 16 LOS 18
NLOS1 14 NLOS1 23
NLOS2 19 NLOS2 96

Table 3.8 – Valeur de sigma associée à chaque zone en fonction de la hauteur

5 Conclusion

Le modèle que nous proposons, présenté dans le deuxième chapitre, s’exécute en deux phases. La pre-
mière consiste à partitionner l’environnement de propagation selon un critère purement déterministe en
utilisant un simulateur (tracer de rayons 3D) paramétré pour seulement 1 réflexion et 0 diffraction. En
sortie nous obtenons un paramètre déterministe qui nous permet de savoir si le récepteur est dans la zone
de visibilité LOS, NLOS1 ou NLOS2. Ainsi ce paramètre constitue l’un des paramètres d’entrée de notre
modèle statistique exécuté en deuxième phase. Ce modèle statistique est présenté dans la première par-
tie de ce chapitre. Il s’agit d’un modèle géométrique stochastique qui décrit le canal par un ensemble de
clusters. Le nombre de clusters varie en fonction de la condition de visibilité et de la hauteur des antennes
réceptrices. Nous nous sommes basés sur l’algorithme du K-power means pour la répartition des données
en cluster, et l’algorithme P-Silhouette pour trouver le nombre de clusters optimal. Ainsi pour chaque
cluster nous avons modélisé le comportement de chacun des paramètres caractéristiques du canal que
sont le retard, les angles et la puissance. Nous avons aussi déterminé pour chaque zone les coefficients
Azone et Bzone de la régression logarithmique du Path-Loss ainsi que la loi suivie par les évanouissement
rapides et ses paramètres. Enfin, nous avons calculé les coefficients du canal pour un lien SISO.

97
Chapitre 3. Modélisation du volet statistique du modèle hybride

Dans le deuxième paragraphe de ce chapitre, nous avons mené une étude paramétrique afin de déterminer
les différentes valeurs de notre paramètre de calibration σ. Les valeurs de ce paramètre dépendent de la
hauteur des récepteurs ainsi que de la zone de visibilité de ces derniers. Dans le chapitre suivant nous
mettrons en œuvre notre modèle afin de le comparer dans un premier temps au modèle déterministe,
ensuite à la mesure.

98
Bibliographie

[AKA+73] H.Akaike, Information theory and an extension of the maximum likelihood principle, INT. Sym-
posium on information theory, pages 267-287, 1973.
[ALA+12] O.Alata, Reconnaissance des lois à partir d’échantillons dans les contextes supervisé et non
supervisé, Traitement du signal, Lavoisier Vol 29, 2012.
[ALA+13] O.Alata, Law recognitions by information criteria for the statistical modeling of small scale
fading of the radio mobile channel, Signal Processing, Volume 93, issue 5 (May, 2013), p. 1064-
1078.
[BEZ+98] J.C.Bezdek, Some new index validity systems. IEEE Transactions on systems, Man and Cyber-
natics, (301-315), 1998.
[CZI+05] N.Czink, Automatic clustering of MIMO channel parameters using the multi-path component
distance measure, WPMC 2005.
[CZI+06] N.Czink, A framework for automatic clustering of parametric MIMO channel data including path
powers, IEEE 64th Vehicular Technology Conference, 2006.
[CZI+06] N. Czink, Improving clustering performance using multipath component distance, Electronics
Letters, vol. 42, no. 1, pp. 33-5, 2006.
[CZI+07] N.Czink, The random-cluster model - A stochastic MIMO channel model for broadband wire-
less communication systems of the 3rd generation and beyond," Ph.D. dissertation, Institut für
Nachrichtentechnik und Hochfrequenztechnik, Vienna University of Technology, 2007.
[DUN+73] J.C.Dunn, A fuzzy relative of the isodata process ans its use in detecting compact, well-
separated clusters. Journal of Cybernatics, (32-57), 1973.
[Hai+12] S.Hairoud, Thèse : Modélisation dynamique des canaux MIMO pour les transports ferroviaires,
2012.
[HAN+01] J.Han and M. Kamber, Data mining, concepts, and techniques. Morgan Kaufmann Publishers,
2001.
[HUA+09] C.Huang, Cluster characteristics of wideband MIMO channel in indoor hotspot scenario at
2,35GHz, in Vehicular Technology Conference Fall (VTC 2009-Fall), 2009 IEEE 70th, 2009,
pp. 1-5.
[PAR+03] D.-C.Park, Clustering of Gaussian probability density functions using centroid neural network,
Electronics Letters, vol. 39, no. 4, pp. 381-382, Feb. 2003.

99
Bibliographie

[QUI+09] F.Quitin, Un modèle de canal indoor par cluster pour systèmes MIMO polarisés, Journées Scien-
tifiques URSI France, Propagation et Télédétection, 2009.
[QUI+11] F.Quitin, Thesis : Channel modeling for polarized MIMO systems, 2011.
[ROU+87] P.J.Rousseeuw A graphical aid to the interpretation and validation of cluster analysis. Journal
of Computational and Applied Mathematics, (53-65), 1987.
[SAL+05] J.Salo, Automatic clustering of nonstationary MIMO channel parameter estimates, ICT 2005.
[SIA+09] P.Siarry, Optimisation in signal and image processing, University of Paris12, France, 2009.
[SCH+78] G.Schwarz, Estimating the dimension of a model, the annals of statistics, pages 461-464, 1978.
[TIA+10] L.Tian, Multi-Path grouping using a novel clustering algorithm for stochastic channel modeling,
IEEE Wireless Communications Networking and Mobile Computing (WiCOM), 2010.
[WIN+05] WINNER 1 wp5 : Final Report on Link Level and System Level Channel Models.

100
Chapitre 4
Validation du modèle hybride

Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2 Étude comparative entre le modèle hybride et déterministe . . . . . . . . . . . . . 103
3 Présentation de la campagne de mesures . . . . . . . . . . . . . . . . . . . . . . . 106
3.1 Site de mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.2 Fréquence porteuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.3 Positions des antennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.4 Description du banc de mesures . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.5 Traitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4 Comparaison avec le modèle hybride . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.1 Réduction du temps de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

101
1. Introduction

1 Introduction

Dans le chapitre précédent, nous avons présenté la démarche suivie pour calibrer et mettre en œuvre la
partie statistique de notre modèle hybride.
Dans la première section de ce chapitre, nous allons comparer la dispersion des retards issue de notre
modèle à celle du modèle déterministe afin de valider les performances du modèle hybride. Ensuite
dans la deuxième section, dans l’objectif de confirmer la validité de notre modélisation hybride, nous
présenterons une campagne de mesures effectuée sur le site de Schneider Electric et les résultats de la
comparaison de la dispersion des retards entre la mesure et les simulations déterministe et hybride.

2 Étude comparative entre le modèle hybride et déterministe

La première comparaison que nous effectuerons est celle entre le modèle hybride proposé dans le cadre
de cette thèse et le modèle déterministe. Pour cela nous utiliserons les mêmes positions de réception
présentées dans la section 4 du troisième chapitre. Nous allons comparer pour chacune des 3 zones :
LOS, NLOS1 et NLOS2 la dispersion des retards.
La figure 4.1 représente la dispersion des retards pour les 100 mêmes récepteurs en configuration LOS
de la figure 3.10 ayant une hauteur de 1,1 m. L’écart moyen de la dispersion des retards entre le modèle
déterministe (en bleu) et hybride (en vert) est 0,30 ns et l’écart-type des écarts est égale à 6,63 ns. La
dispersion des retards moyenne pour le modèle déterministe est de 32,71 ns et celle du modèle hybride
32,40 ns.

Figure 4.1 – Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
LOS (récepteur à 1,1 m)

La figure 4.2 représente la dispersion des retards pour les 100 mêmes récepteurs en configuration NLOS1
de la figure 3.10 ayant une hauteur de 1,1 m. L’écart moyen de la dispersion des retards entre le modèle
déterministe (en bleu) et hybride (en vert) est 0,19 ns et l’écart-type des écarts est égale à 8,27 ns. La

103
Chapitre 4. Validation du modèle hybride

dispersion des retards moyenne pour le modèle déterministe est de 37,50 ns et celle du modèle hybride
37,70 ns.

Figure 4.2 – Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
NLOS1 (récepteur à 1,1 m)

La figure 4.3 représente la dispersion des retards pour les 100 mêmes récepteurs en configuration NLOS2
de la figure 3.10 ayant une hauteur de 1,1 m. L’écart moyen de la dispersion des retards entre le modèle
déterministe (en bleu) et hybride (en vert) est 0,01 ns et l’écart-type des écarts est égale à 4,57 ns. La
dispersion des retards moyenne pour le modèle déterministe est de 37,77 ns et celle du modèle hybride
37,79 ns.

Figure 4.3 – Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
NLOS2 (récepteur à 1,1 m)

La figure 4.4 représente la dispersion des retards pour les 100 mêmes récepteurs en configuration LOS
de la figure 3.11 ayant une hauteur de 0,25 m. L’écart moyen de la dispersion des retards entre le modèle

104
2. Étude comparative entre le modèle hybride et déterministe

déterministe (en bleu) et hybride (en vert) est 0,70 ns et l’écart-type des écarts est égale à 8,11 ns. La
dispersion des retards moyenne pour le modèle déterministe est de 25,32 ns et celle du modèle hybride
24,62 ns.

Figure 4.4 – Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
LOS (récepteur à 0,25 m)

La figure 4.5 représente la dispersion des retards pour les 100 mêmes récepteurs en configuration NLOS1
de la figure 3.11 ayant une hauteur de 0,25 m. L’écart moyen de la dispersion des retards entre le modèle
déterministe (en bleu) et hybride (en vert) est 0,54 ns et l’écart-type des écarts est égale à 9,28 ns. La
dispersion des retards moyenne pour le modèle déterministe est de 25,48 ns et celle du modèle hybride
24,94 ns.

Figure 4.5 – Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
NLOS1 (récepteur à 0,25 m)

La figure 4.6 représente la dispersion des retards pour les 100 mêmes récepteurs en configuration NLOS1

105
Chapitre 4. Validation du modèle hybride

de la figure 3.11 ayant une hauteur de 0,25 m. L’écart moyen de la dispersion des retards entre le modèle
déterministe (en bleu) et hybride (en vert) est 0,32 ns et l’écart-type des écarts est égale à 10,22 ns. La
dispersion des retards moyenne pour le modèle déterministe est de 27,41 ns et celle du modèle hybride
27,73 ns.

Figure 4.6 – Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
NLOS2 (récepteur à 0,25 m)

D’après cette étude comparative, les valeurs des écarts moyens obtenus entre le modèle déterministe
et hybride sont inférieures à 1 ns. Nous remarquons que les valeurs moyennes de la dispersion des
retards à 1,1 m sont supérieures à celles à 0,25 m pour les deux modèles. Les valeurs des moyennes
de la dispersion des retards par zone pour les deux hauteurs sont presque égales, par contre les courbes
montrent une dynamique plus grande pour le modèle déterministe et des courbes plutôt monotones pour
le modèle hybride.
Après la validation de notre modèle avec le modèle purement déterministe, nous allons le comparer à la
mesure mais dans une nouvelle scène que nous présenterons dans la section suivante.

3 Présentation de la campagne de mesures

Dans cette section, nous présentons le site dans lequel nous avons effectué notre campagne de mesures
ainsi que les caractéristiques du matériel utilisé. Enfin, nous présentons les configurations expérimentales
(fréquence, hauteurs d’antenne, ...) considérées.

3.1 Site de mesures

Dans le chapitre 2 nous avons présenté la description d’une usine de production d’une superficie de
930 m2 qui contient des machines disposées comme illustré sur la figure 4.7 (a). Cette modélisation que
nous nommerons "ancienne implantation" représente l’implantation des machines en 2010. Cette der-
nière nous a permis de calibrer notre modèle hybride en se basant sur les résultats issus du simulateur

106
3. Présentation de la campagne de mesures

déterministe. Dans ce quatrième chapitre nous allons comparer les résultats des simulations déterministe
et hybride à des résultats de mesures. Pour cela nous avons effectué une campagne de mesures dans le
même environnement décrit précédemment mais avec une nouvelle implantation des machines comme
illustré à droite de la figure 4.7 (b) et que nous appellerons "nouvelle implantation". Cette nouvelle im-
plantation est due à un changement de la disposition des machines, une décision propre à l’entreprise
et qui n’est pas liée à nos travaux. Ainsi cette nouvelle scène se différencie de l’ancienne implantation
par un positionnement différent des machines ainsi qu’une standardisation de la hauteur de ces dernières.
Nous avons fixé la hauteur selon la hauteur moyenne des machines calculée à partir de l’ancienne implan-
tation car nous nous somme basés sur un plan en 2 dimensions qui nous ne fourni pas les informations
concernant la hauteur. Ainsi, la hauteur moyenne considérée est égal à 1,5m.

Figure 4.7 – Ancienne (a) et nouvelle (b) implantations des machines dans l’usine de production

3.2 Fréquence porteuse

Pour la fréquence porteuse, afin de ne pas interférer avec les autres communications propre à l’entreprise,
à l’aide d’un analyseur de spectre nous avons analysé le spectre de la bande ISM en différents points de
l’usine. Trois canaux fréquentiels occupés ont été détectés. Ainsi notre choix s’est porté sur la bande de
fréquences entre 2,20 GHz à 2,70 GHz (soit une largeur fréquentielle de 500 MHz) avec une fréquence
centrale à 2,45 GHz. De la largeur fréquentielle, nous en déduisons le pas d’échantillonnage ∆τ à 2ns
ce qui nous permet d’avoir une précision de 0,6 m selon l’équation (1) où ∆L représente la précision en
mètre, C la célérité (3.108 m/s) et ∆τ le pas d’échantillonnage. Ainsi, avec une largeur fréquentielle de
500 MHz nous avons une précision de 0,6 m qui est largement supérieure à la taille des obstacles présents
dans la scène.
∆L = C × ∆τ (1)

107
Chapitre 4. Validation du modèle hybride

3.3 Positions des antennes

Pour notre campagne de mesure, nous avons considéré la même position pour l’antenne émettrice que
celle des simulations ; c’est-à-dire au milieu de la scène à une hauteur de 5 m. Par contre pour les ré-
cepteurs nous avons choisi de les disposer sur la scène en rangée de 25 récepteurs entre les lignes de
production en les espaçant les uns des autres d’une distance de 1 m comme présentée sur la figure 4.7
à gauche en carrés noirs. Les mêmes positions de réceptions sont considérées pour les deux hauteurs de
0,25 m et 1,1m.

3.4 Description du banc de mesures

Notre banc de mesures présenté sur la figure 4.8 est constitué de :


– un analyseur de réseau vectoriel ;
– un ordinateur ;
– deux antennes dipôles ;
– un amplificateur ;
– câble coaxial.

Figure 4.8 – Banc de mesures

3.4.1 analyseur de réseau vectoriel

L’analyseur utilisé est de la marque ROHDE & SCHWARZ (ZVB8). Il opère dans la bande de fréquences
de 300 MHz à 4 GHz. Une interface logicielle, reposant sur labview, a été mise en œuvre pour le pilotage
du banc et le traitement des mesures acquises. L’interface graphique de ce logiciel est divisée en trois
onglets :
– Le premier onglet contient toutes les fonctionnalités liées au pilotage de l’analyseur. Cet onglet est
lui même divisé en plusieurs parties. Nous avons les paramètres d’affichage ainsi que les réponses
fréquentielles et impulsionnelles en temps réel. L’affichage des réponses réagit en temps réel et dépend

108
3. Présentation de la campagne de mesures

des paramètres d’affichage définis par l’utilisateur tels que : le nombre de points à afficher, la fréquence
de départ, la fréquence d’arrêt et le paramètre S i j à afficher ;
– Le second contient les fonctions liées aux traitements des réponses et calculs des paramètres caracté-
ristiques du canal : la bande de cohérence, le trajet prédominant, le retard moyen et la dispersion des
retards ;
– Le troisième contient un module d’affichage 3D qui permet de visualiser de manière pertinente l’évo-
lution du canal mesuré suite à une mobilité du récepteur par exemple.

Afin d’assurer la justesse des acquisitions de mesure, une étape de calibration de l’analyseur est in-
dispensable. Son rôle est de prendre en considération de façon précise, les diverses désadaptations, les
fonctions de transfert des circuits internes de l’analyseur ainsi que les atténuations dues à la longueur des
câbles reliant les antennes à l’analyseur. La longueur des câble coaxiaux entre l’analyseur et l’antenne
réceptrice est de 30 m et de 7 m entre l’émetteur et l’analyseur.

3.4.2 Amplificateur

L’antenne émettrice a été fixée sur le boîtier de l’amplificateur ZHL-42 de la marque Mini-circuit. Il opère
dans la bande de fréquence : 400 à 4200 MHz. D’après la documentation technique cet amplificateur
présente un gain de 32,95 dB en alimentant l’amplificateur à 15 V et à la fréquence 2494,20 MHz. Sa
puissance maximale de sortie est de 28,32 dBm.

3.5 Traitement des données

Nous enregistrons, en moyenne, pour chacune de nos 148 positions de réception, 8 réponses fréquen-
tielles. Ensuite nous traitons ces réponses fréquentielles avec Matlab comme le montre la figure 4.9.

Figure 4.9 – Système de traitement

Toutes les réponses sont traitées selon le processus suivant :

109
Chapitre 4. Validation du modèle hybride

Étape 1 - IFFT
Pour obtenir les réponses impulsionnelles nous utilisons la fonction "IFFT" de Matlab pour avoir la
transformée de Fourrier inverse.
Étape 2 - Suppression du bruit
Nous avons remarqué en visualisant les réponses impulsionnelles obtenues que nous avons des échos
dus à l’IFFT arrivant avant le trajet ayant le plus petit retard théorique que nous calculons selon l’équa-
tion (2) :
C
τPremiertra jet = (2)
Distance(T x,Rx)

où :
– τPremiertra jet est le retard du premier trajet reçu par le récepteur ;
– C est la vitesse de la lumière 3.108 m/s ;
– Distance(T x,Rx) est la distance entre l’émetteur et le récepteur ;
Ainsi pour chacune des positions de réception, nous calculons le retard du trajet qui sera reçu théorique-
ment en premier. Ensuite nous supprimons tous les échos arrivant avant ce trajet en estimant qu’il s’agit
du bruit et non de trajets effectifs.
Étape 3 - Seuillage
Nous procédons à un seuillage des données de la même manière que pour les données issues de la
simulation. Ainsi, nous supprimons tous les trajets dont la puissance est inférieure à celle de la puissance
du trajet le plus puissant de -25 dB. La figure 4.10 regroupe les 3 réponses obtenues après chacune des
3 étapes à partir de le réponse fréquentielle de la première position de réception qui correspond à la
configuration LOS à la hauteur 0,25 m.

Figure 4.10 – Réponses impulsionnelles obtenues après chacune des 3 étapes

110
4. Comparaison avec le modèle hybride

4 Comparaison avec le modèle hybride

Dans cette section, nous allons comparer la dispersion des retards des 148 positions de réception entre
notre modèle hybride de canal et la campagne de mesure. Toutefois, connaissant les limites du simulateur
déterministe, nous avons commencé par comparer les réponses impulsionnelles calculées par le modèle
à tracer de rayons à celle provenant de la mesure. Il s’est avéré, comme attendu, que les réponses ne sont
pas identiques telles que l’indique la figure 4.11. Dans cette figure nous avons pour la même position de
réception à 1,1 m en rouge la réponse calculée par notre simulateur et en bleu celle mesurée.

Figure 4.11 – Réponses impulsionnelles simulée et mesurée pour la même position de réception à 1,1 m

Nous remarquons que pour toutes nos réponses simulées le retard du dernier trajet est en moyenne égal
à 180 ns alors que pour la mesure le retard maximal est en moyenne égal à 350 ns. Nous expliquons cela
par le fait que :

1. Pour la mesure le pas d’échantillonnage est fixé à 2 ns alors que pour la simulation nous obte-
nons les trajets avec leurs propres retards de propagation. Pour pallier cette différence, nous avons
échantillonné les RI simulées avec le même pas d’échantillonnage en sommant les trajets dont les
retards sont compris dans un intervalle de 2 ns.

111
Chapitre 4. Validation du modèle hybride

2. Le simulateur présente des limites quant au calcul de la réponse impulsionnelle dans ce type d’en-
vironnement. Ces limites sont dues à :
– l’aspect asymptotique du modèle qui ne peut pas prendre en compte les éléments dont la di-
mension est inférieure à la longueur d’onde. De ce fait, nous n’avons pas modélisé dans notre
environnement certains éléments notamment liés à l’éclairage et aux supports métalliques, aux
conduits d’aérations, aux câbles, etc ;
– le paramétrage du simulateur a été fixé à 3 réflexions et une diffraction car au delà le temps de
calcul devient prohibitif. Cela a entraîné l’absence de certains trajets car certains phénomènes
de diffusion ne sont pas pris en compte ;
– la scène modélisée (930 m2 ) ne représente qu’une partie de l’usine de production (1300 m2 ) soit
70% de la surface totale.
– le degrés de précision de la description de la scène utilisée lors des simulations. Toutes les ma-
chines ont été modélisées sous forme de parallélépipèdes rectangles de nature métallique alors
que réellement les machines n’ont pas toutes cette forme. Lors de la campagne de mesures, il y
avait, en plus des machines, des objets que n’avons pas modélisé comme des bacs en plastique,
des chariots, des chaises, etc. Ces objets n’ayant pas une position fixe dans la scène nous ne
pouvions pas les intégrer lors de la modélisation de la scène.

Pour remédier à ce deuxième point lié aux limites du simulateur, nous avons appliqué une fenêtre tem-
porelle de filtrage sur les réponses impulsionnelles mesurées pour ne prendre en considération que la
portion d’usine modélisée pour le simulateur. Ainsi cette fenêtre est choisie de telle sorte que l’écart
entre la dispersion des retards issus de la mesure et celle issue de la simulation soit minimal. Pour cela
nous avons calculé pour chacune des 148 positions de réception (à 1,1 m ensuite à 0,25 m de hauteur),
la dispersion des retards à partir des 8 RI mesurées en faisant varier la taille de la fenêtre entre 20 ns
et 350 ns. Nous avons pour chaque taille de la fenêtre, calculé d’abord l’écart entre la mesure et la si-
mulation déterministe par récepteur. Ensuite, nous avons calculé la moyenne de ces écarts. D’après les
tableaux 4.1, 4.2 la fenêtre optimale qui correspond à un écart moyen faible de la dispersion des retards
est de 110 ns avec un écart moyen de 0,40 ns à 1,1m et de 90 ns avec un écart moyen de 0,35 ns. Afin
d’avoir une même fenêtre temporelle pour les deux hauteurs, nous avons fixée la taille de cette dernière
à 100 ns de façon à minimiser l’écart moyen.

Fenêtre Écart moyen de la Fenêtre Écart moyen de la


(ns) dispersion des re- (ns) dispersion des re-
tards (ns) tards (ns)
20 18,95 90 3,90
30 16,90 100 1,81
40 14,84 110 0,40
50 12,62 120 2,53
60 10,47 150 7,04
70 8,30 200 18,66
80 6,08 350 52,65

Table 4.1 – Écart moyen de la dispersion des retards selon une fenêtre temporelle de filtrage (h = 1,1 m)

112
4. Comparaison avec le modèle hybride

Fenêtre Écart moyen de la Fenêtre Écart moyen de la


(ns) dispersion des re- (ns) dispersion des re-
tards (ns) tards (ns)
20 15,40 90 0,35
30 13,34 100 1,74
40 11,28 110 3,96
50 9,06 120 6,09
60 6,92 150 10,60
70 4,75 200 22,21
80 2,52 350 56,20

Table 4.2 – Écart moyen de la dispersion des retards selon une fenêtre temporelle de filtrage (h = 0,25
m)

Une fois que nous avons déterminé la taille de la fenêtre temporelle de filtrage, nous calculons selon
l’équation (3) pour la dispersion des retards, la moyenne des écarts par zone et leurs écarts-types. Cette
moyenne est calculée à partir des écarts calculés pour chaque récepteur entre la mesure et la simulation.

N

Parametremesure (i) − Parametre simule (i)
i=1
M_ecartDS = (3)
N

où :
– M_ecartDS est la moyenne des écarts de la dispersion des retards par zone ;
– N est le nombre de récepteurs par zone ;
– Parametremesure (i) est le paramètre du ieme récepteur calculé à partir de campagne de mesure ;
– Parametre simule (i) est le paramètre du ieme récepteur calculé à partir de la simulation.
Les tableaux 4.3 et 4.4 donnent respectivement pour les hauteurs 1,1 m et 0,25 m, la moyenne des écarts
entre la mesure et le modèle déterministe et entre la mesure et notre modèle hybride ainsi que leurs
écarts-types relatifs.

Mesure/Déterministe Mesure/hybride
Zone LOS NLOS1 NLOS2 Zone LOS NLOS1 NLOS2
Moyenne des écarts (ns) 1,59 1,03 2,43 Moyenne des écarts (ns) -1,29 -3,08 -5,36
Ecart-type 7,75 9,83 8,45 Ecart-type 3,48 2,52 3,02

Table 4.3 – Étude comparative de la dispersion des retards entre la mesure et le modèle hybride pour une
hauteur de récepteur à 0,25 m

Les figures représentent la dispersion des retards pour les mêmes positions de réception à 1,1 m 4.12,
4.13, 4.14 et les figures 4.15, 4.16, 4.17 représentent la dispersion des retards à 0,25 m. Dans ces figures,
la courbe en rose représente la dispersion des retards de la mesure, en bleu celle du modèle déterministe
et en vert celle du modèle hybride.

113
Chapitre 4. Validation du modèle hybride

Mesure/Déterministe Mesure/hybride
Zone LOS NLOS1 NLOS2 Zone LOS NLOS1 NLOS2
Moyenne des écarts (ns) -3,65 -1,80 3,04 moyenne des écarts (ns) -9,55 -16,65 -14,89
Ecart-type 6,70 7,51 7,25 Ecart-type 3,82 4,25 3,34

Table 4.4 – Étude comparative de la dispersion des retards entre la mesure et le modèle hybride pour une
hauteur de récepteur à 1,1 m

Figure 4.12 – Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas LOS (récepteurs à 1,1 m du sol)

Figure 4.13 – Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas NLOS1 (récepteurs à 1,1 m du sol)

114
4. Comparaison avec le modèle hybride

Figure 4.14 – Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas NLOS2 (récepteurs à 1,1 m du sol)

Figure 4.15 – Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas LOS (récepteurs à 0,25 m du sol)

Figure 4.16 – Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas NLOS1 (récepteurs à 0,25 m du sol)

115
Chapitre 4. Validation du modèle hybride

Figure 4.17 – Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas NLOS2 (récepteurs à 0,25 m du sol)

D’après les résultats de la comparaison résumés dans les tableaux 4.3 et 4.4 ainsi que les figures, nous
observons que la moyenne des écarts entre la mesure et le modèle déterministe sont dans toutes les
configurations inférieurs à celles entre la mesure et le modèle hybride. Nous remarquons aussi que les
écarts moyens du modèle déterministe sont plus faibles à 0,25 m et cela pour les deux modèles. Quant
aux moyennes des écarts entre la mesure et le modèle hybride, nous remarquons une bonne concordance
à 0,25 m par contre à 1,1 m les écarts sont plus élevés, de l’ordre de 13,69 ns en moyenne. Cet écart
est dû à la simplification de la hauteur des obstacles. En effet celle-ci a été homogénéisée à 1,5 m.
Cette simplification rend la scène moins réaliste puisque dans la réalité les obstacles ont des tailles
différentes. À 0,25 m, la modélisation 3D de la scène n’a pas eu d’impact par contre à 1,1 m l’impact est
plus important du fait que les obstacles et les récepteurs ont une hauteur similaire et probablement une
mauvaise répartition des récepteurs entre les 3 zones de visibilité.
Nous remarquons aussi que les écarts-types, sont dans toutes les configurations, plus petits pour le modèle
hybride que ceux du modèle déterministe.

4.1 Réduction du temps de calcul

Le temps de calcul pour 1 récepteur est en moyenne égal à 1,7 seconde pour notre modèle. Pour le modèle
déterministe le temps de calcul dépend de la complexité de la scène ainsi pour une scène complexe
comme l’ancienne ou la nouvelle implantation en moyenne le temps de simulation pour (2R1D + 3R0D)
est égale à 1 min 20 secondes. Ainsi le modèle déterministe est plus précis que notre modèle, en revanche
son temps de calcul est 47 fois plus grand.

5 Conclusion

Dans la première section de ce chapitre, nous avons comparé les paramètres large bande issus de notre
modèle hybride à ceux du modèle déterministe. Cette comparaison est faite sur soixante récepteurs à
deux hauteurs (1,1 m et 0,25 m), constituant un parcours de vingt récepteurs pour chacune des trois
zones de visibilité. De part cette comparaison, nous pouvons déduire qu’il y a une bonne concordance

116
5. Conclusion

entre les paramètres générés par les deux modèles.


Dans la deuxième section, nous avons présenté la campagne de mesure que nous avons effectuée afin de
comparer les modèles déterministe et hybride à la mesure. De cette comparaison, nous avons déduit que
le modèle déterministe est plus précis que le modèle proposé surtout à 1,1 m où la hauteur des obstacles
est proche de celle des récepteurs ce qui a engendré des erreurs au niveau du partitionnement spatial.
Dans le chapitre suivant nous comparerons notre modèle hybride au modèle statistique WINNER qui est
reconnu pour sa rapidité. Le but de cette comparaison est de tester la robustesse des deux modèles dans
trois environnements différents.

117
Chapitre 5
Évaluation de la robustesse du modèle hybride et de
WINNER

Sommaire
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
2 Conditions des simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
2.1 Présentation des scènes industrielles . . . . . . . . . . . . . . . . . . . . . . . 121
2.2 Paramètres des simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
2.3 Traitement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3 Résultats de la comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.1 Ancienne implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.2 Nouvelle implantation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
3.3 Ancienne implantation simplifiée . . . . . . . . . . . . . . . . . . . . . . . . 126
3.4 Temps de calcul . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

119
1. Introduction

1 Introduction

Dans ce dernier chapitre, nous souhaitons affiner l’étude précédente en testant la robustesse de notre
modèle hybride et celle de WINNER dans trois scènes industrielles différentes mais de même taille. Ces
environnements présentent des niveaux de description différents. Dans chaque environnement le modèle
déterministe sera pris comme référence. L’objectif de ces tests est d’évaluer la robustesse de ces modèles
en comparant leurs dispersions des retards à celles du modèle déterministe.
Dans la deuxième section de ce chapitre, nous présentons tout d’abord les trois environnements indus-
triels ainsi que les paramètres de simulation pour chacun des 3 modèles. Ensuite nous expliquons la
démarche suivie pour la comparaison de leurs résultats.
La troisième section expose une synthèse des résultats obtenus ainsi que leur analyse.
Enfin nous exposerons nos conclusions dans la dernière partie de ce chapitre.

2 Conditions des simulations

Cette deuxième section, présente les trois scènes dans lesquelles nous avons effectué nos simulations
ainsi que le paramétrage des trois modèles de propagation.

2.1 Présentation des scènes industrielles

Les trois scènes ont la même dimension (31 × 32 × 6m3 ) et les même caractéristiques électriques. Elles
se différencient par le nombre, le positionnement, la taille et la hauteur des machines.
La première scène représentera la scène que nous avons nommé dans le chapitre 4 "ancienne implanta-
tion". Cette scène se caractérise par une description précise des machines selon leurs emplacements dans
l’usine et selon leurs hauteurs respectives. Elle est la plus détaillée des trois modélisations. Pour rappel,
c’est la scène que nous avons utilisé pour construire notre modèle hybride. Elle est constituée de 173
machines qui occupent 311,18 m2 sur une surface totale de 1016 m2 .
La deuxième scène est nommée "nouvelle implantation". C’est l’environnement où nous avons effectué
notre campagne de mesures. Elle se différencie de l’ancienne implantation par un positionnement diffé-
rent des machines ainsi qu’une hauteur des machines fixée à 1,5 m. Le nombre de machines implantées
dans cet environnement est de 230 machines, elles occupent une surface de 326 m2 qui est à peu près
équivalente à celle de l’ancienne implantation. La finesse de la description des obstacles est moindre que
celle de l’ancienne implantation. En effet, la hauteur des obstacles est homogénéisée à 1,5 m.
La troisième scène que nous avons nommée "Ancienne simplifiée", représente une simplification de la
première scène (ancienne implantation). La procédure de simplification est montrée dans la figure 5.1.
Pour simplifier la scène nous avons regroupé les machines qui se trouvent, soit sur la même ligne de
production, soit à proximité les unes des autres sous forme de blocs. Ainsi, cette scène se caractérise
par des blocs de taille plus grande et de même hauteur. La hauteur est la même que celle de la nouvelle
implantation : 1,5 m. Cette simplification n’implique pas une densité des machines (occupation de l’en-
vironnement) plus grande par rapport à la scène originale puisque la largeur des blocs a été calculé selon

121
Chapitre 5. Évaluation de la robustesse du modèle hybride et de WINNER

la largeur moyenne des machines à regrouper. Dans cet environnement le nombre de machines est de :
33 et la surface qu’elles occupent est de : 295 m2 .

Figure 5.1 – Procédure de simplification de la scène : Ancienne implantation

2.2 Paramètres des simulations

Les paramètres de simulation pour les trois modèles de propagation : déterministe, hybride et WINNER
sont les mêmes :
– La fréquence est fixée à 2,45 GHz ;
– Les positions et les hauteurs des antennes émettrices et réceptrices sont celle de la campagne de me-
sures. Nous positionnons 25 récepteurs entre les lignes de production en les distançant d’un mètre.
Nous avons toutefois essayé de garder les mêmes positions de réception bien que le positionnement
des machines soit différent entre les trois scènes, ce qui nous a obligé à déplacer de quelques centi-
mètres la position de certains récepteurs;
– Condition de visibilité, pour le modèle déterministe, la condition de visibilité n’est pas un paramètre
d’entrée. Pour le modèle WINNER, l’utilisateur peut la fixer (LOS ou NLOS) comme il peut choisir
l’option aléatoire. Dans nos simulations nous avons choisi de la définir aléatoirement. Par contre, pour
notre modèle, elle est définie selon notre critère de partitionnement (1 Réflexion) après l’exécution du
premier bloc déterministe de notre modèle. Grâce à ce critère, nous différencions ainsi les récepteurs
selon les zones de visibilité et obtenons les positions des récepteurs appartenant à chaque zone. Le
tableau 5.1 indique la répartition des récepteurs selon la zone de visibilité pour chacune des hauteurs.

122
2. Conditions des simulations

Nous remarquons d’après ce tableau, que quelle que soit la scène, la zone LOS est plus grande à 1,1
m qu’à 0,25 m. Cela s’explique par l’obstruction du trajet direct par les machines qui ont une hauteur
en moyenne égale à 1,5 m. Comme on peut le remarquer sur les cartographies présentées dans la
chapitre 2, plus la hauteur des récepteurs placés derrière les machine est basse, plus la zone NLOS
est grande. Nous remarquons aussi que pour les trois modélisations, la zone NLOS2 est plus grande à
0,25 m qu’à 1,1 m.
PP
PP Scènes
Hauteur PP Ancienne Ancienne simplifiée Nouvelle
Zones PP
P
LOS 88 90 68
1,1 m NLOS1 30 39 55
NLOS2 31 19 26
LOS 44 28 36
0,25 m NLOS1 51 52 51
NLOS2 54 68 61

Table 5.1 – Nombre de récepteurs par zone pour chacune des scènes

Figure 5.2 – Réponses impulsionnelles issues du simulateur déterministe et WINNER pour le même
récepteur

2.3 Traitement des données

Afin de comparer WINNER avec le modèle déterministe, nous avons appliqué la même fenêtre tempo-
relle de filtrage fixée à 100 ns à partir de la comparaison faite dans le 4ème chapitre avec la mesure.
Les raisons sont les mêmes : les limites du simulateur et la taille de la scène de référence utilisée lors
de la construction de notre modèle hybride. Le modèle WINNER a été construit selon les résultats de

123
Chapitre 5. Évaluation de la robustesse du modèle hybride et de WINNER

campagnes effectuée dans des environnements ayant des volumes de 3600 m3 , 15 750 m3 et 9 600 m3 . Si
on considère le plus grand environnement comparé à notre environnement (5952 m3 ) il est 2,64 fois plus
grand. Ce qui explique en partie l’étalement temporel de la de la réponse impulsionnelle WINNER com-
parée à celle des modèles déterministe et hybride comme nous pouvons l’observer sur l’exemple illustré
dans la figure 5.2. Afin que la comparaison du modèle statistique soit représentative et comparable au
modèle hybride, nous l’avons lancé 10 fois pour chaque position, avons appliqué le fenêtrage temporelle
sur chaque RI et enfin avons calculé la moyenne de la dispersion des retards pour chaque zone.
Le modèle déterministe a quant à lui été lancé une fois, puis échantillonné avec le même pas (2 ns) utilisé
pour fixer la fenêtre temporelle. Le modèle hybride a été lancé 10 fois, puis échantillonné avec un pas de
2 ns. Nous n’avons pas appliqué la fenêtre temporelle car le modèle hybride a été calibré sur le modèle
déterministe et ainsi les retards des deux modèles ont le même ordre de grandeur.

3 Résultats de la comparaison

Dans cette section, nous allons calculer pour chacun des récepteurs, dans chacun des environnements, la
dispersion des retards à partir des réponses impulsionnelles. Ce calcul est réalisé à partir des trois mo-
dèles : déterministe, hybride et WINNER. L’objectif de ces calculs est de comparer le modèle hybride et
statistique au modèle déterministe afin d’estimer l’impact du niveau de la modélisation sur la robustesse
des deux modèles.
Pour comparer la robustesse de notre modèle et celle du modèle WINNER, nous avons comparé l’écart
moyen (1) de la dispersion des retards et son écart-type (2) dans chacune des zones de visibilité (LOS,
NLOS1 et NLOS2) à deux hauteurs (1,1 m et 0,25 m). La comparaison est ensuite faite dans chacune
des scènes : l’ancienne, la nouvelle simplifiée et l’ancienne simplifiée.

N

Paramètredterministe (i) − Paramètre simule (i)
i=1
M_écart = (1)
N

Écart-type = std(M_écart) (2)

3.1 Ancienne implantation

Dans le tableau 5.2, nous avons les moyennes de la dispersion des retards par zone et leurs écarts-types
respectifs pour chacun des trois modèles dans l’ancienne implantation. Les dispersions des retards à 1,1
m sont supérieures à celles à 0,25 m cela est dû est la géométrie de l’environnement car à 1,1 m, d’une
part, les récepteurs sont plus proches de l’émetteur et d’autre part, la hauteur des obstacles est supérieur
à 0,25 m. Nous remarquons que pour le modèle hybride nous avons des valeurs de dispersion similaires
à celle du modèle déterministe à 1,1 m et 0,25 m. D’après le tableau 5.3 présentant les écarts moyens
calculés entre le modèle déterministe et les modèles hybride et WINNER, le modèle hybride présente
des écarts relativement faibles par contre le modèle WINNER est robuste à 0,25 m et l’est un peu moins
à 1,1 m. Ainsi, nous pouvons conclure que notre modèle est robuste dans l’environnement où il a été
calibré et cela pour les deux hauteurs.

124
3. Résultats de la comparaison

Déterministe Hybride WINNER


Hauteur Zones RMS écart-type RMS écart-type RMS écart-type
moyen (ns) moyen (ns) moyen (ns)
LOS 34,58 5,67 38,17 1,45 27,20 2,89
1,1 m NLOS1 35,20 6,36 37,08 1,08 27,20 2,89
NLOS2 35,62 5,69 38,26 3,06 27,42 3,52
LOS 28,30 8,60 25,41 0,67 28,16 3,10
0,25 m NLOS1 25,62 8,42 24,48 0,79 27,05 2,40
NLOS2 29,54 8,60 27,02 1,36 28,06 2,42

Table 5.2 – Ancienne implantation - dispersion des retards (RMS) des 3 modèles par zone à 1,1 m et
0,25 m

Hybride WINNER
Hauteur Zones M_écarts (ns) écart-type M_écarts (ns) écart-type
LOS 3,59 5,94 6,42 6,21
1,1 m NLOS1 1,87 6,21 8,15 7,62
NLOS2 2,64 7,41 7,55 6,55
LOS 2,89 5,70 1,10 5,50
0,25 m NLOS1 1,14 8,45 1,54 8,50
NLOS2 2,51 8,64 2,11 9,44

Table 5.3 – Ancienne implantation - écart moyen de la dispersion des retards des deux modèles par zone
à 1,1 m et 0,25 m

3.2 Nouvelle implantation

Nous présenterons cette fois pour la nouvelle modélisation, d’abord la moyenne des dispersions des
retards par zone dans le tableau 5.4 ensuite les écarts moyens dans le tableau 5.5. Dans cette scène,
nous remarquons que pour le modèle déterministe l’écart entre les valeurs moyennes des dispersions des
retards à 0,25 m et 1,1 m est moins important par rapport l’ancienne modélisation. Nous remarquons
aussi que dans cette nouvelle scène les valeurs des moyennes par zone sont plus petite comparativement
à l’ancienne. En se basant sur les écarts entre le modèle déterministe et les modèles hybride et WINNER,
nous pouvons dire que les deux modèles sont assez robustes à 0,25 m ; par contre à 1,1 m pour le modèle
hybride les écarts sont plus importants. Comme nous pouvons le constater les moyennes des dispersions
des retards dans ce cas sont du même ordre de grandeur que dans l’ancienne modélisation pour la même
hauteur 1,1m. La simplification de la hauteur des obstacles a rendu la scène moins réaliste puisque
dans la réalité les obstacles ont des tailles différentes. De plus, notre modèle hybride se base sur le
partitionnement spatial pour choisir le modèle statistique correspondant à la condition de visibilité entre
l’émetteur et le récepteur pour calculer la réponse impulsionnelle ; alors si le partitionnement spatial n’est
pas correct cela induit forcément une erreur dans le calcul de notre RIC. Ainsi, nous pouvons déduire que
l’impact de la simplification apportée à la scène en hauteur est plus prononcé dans le cas où la hauteur
des antennes réceptrices est similaire à celle des obstacles.

125
Chapitre 5. Évaluation de la robustesse du modèle hybride et de WINNER

Déterministe Hybride WINNER


Hauteur Zones RMS écart-type RMS écart-type RMS écart-type
moyen (ns) moyen (ns) moyen (ns)
LOS 26,04 5,27 31,94 0,91 28,11 3,01
1,1 m NLOS1 24,22 6,77 37,30 1,37 27,74 2,84
NLOS2 18,64 6,83 38,34 2,81 27,35 2,73
LOS 22,29 6,62 25,17 0,77 27,53 3,18
0,25 m NLOS1 20,33 8,37 24,44 0,87 27,77 2,37
NLOS2 19,61 8,02 27,41 1,45 27,21 2,85

Table 5.4 – Nouvelle implantation simplifiée - dispersion des retards (RMS) des deux modèles par zone
à 1,1 m et 0,25 m

Hybride WINNER
Hauteur Zones M_écarts (ns) écart-type M_écarts (ns) écart-type
LOS 5,90 5,16 2,07 6,32
1,1 m NLOS1 13,08 6,72 3,52 7,09
NLOS2 19,70 8,06 8,70 7,23
LOS 2,88 6,47 5,24 6,22
0,25 m NLOS1 4,11 8,67 7,44 8,75
NLOS2 7,80 7,93 7,60 7,74

Table 5.5 – Nouvelle implantation - écart moyen de la dispersion des retards des trois modèles par zone
à 1,1 m et 0,25 m

3.3 Ancienne implantation simplifiée

Le tableau 5.6 résume pour l’ancienne modélisation simplifiée, la moyenne des dispersions des retards
par zone et hauteur. Le tableau 5.7 résume les écarts moyens calculés entre le modèle déterministe et
les modèles hybride et statistique. Nous observons que pour cette modélisation les moyennes des disper-
sions du modèle déterministe sont plus petites que celles des deux autres modélisations et sont similaires
entre les deux hauteurs. Par contre les modèles hybride et statistique ont le même comportement dans
cette scène qui représente la modélisation la plus simplifiée de l’environnement ce qui explique les écarts
plus importants. La simplification en termes de hauteur et de largeur des obstacles, a cette fois ci, eu un
impact important et cela pour les deux hauteurs de réception puisqu’en regroupant les obstacles en un
grand parallélépipède nous réduisons le nombre des faces et ainsi le nombre des multi-trajets. Cette sim-
plification, rend l’environnement différent des environnements industriels classiques qui se caractérisent
par leur complexité géométrique.
En conclusion, nous constatons que moins la scène est réaliste et simplifiée moins les modèles statis-
tiques sont robustes et que le modèle hybride a besoin d’une modélisation précise de la scène pour avoir
un partitionnement spatial précis.

126
4. Conclusion

Déterministe Hybride WINNER


Hauteur Zones RMS écart-type RMS écart-type RMS écart-type
moyen (ns) moyen (ns) moyen (ns)
LOS 17,62 3,47 32,08 0,83 27,55 3,30
1,1 m NLOS1 17,33 3,85 37,05 0,99 28,07 4,62
NLOS2 17,53 3,65 34,57 2,56 28,76 4,07
LOS 18,55 4,12 25,20 0,63 28,79 4,33
0,25 m NLOS1 17,49 4,76 24,83 0,91 28,15 4,54
NLOS2 16,29 3,94 27,27 1,46 27,20 2,80

Table 5.6 – Ancienne implantation simplifiée - dispersion des retards (RMS) des trois modèles par zone
à 1,1 m et 0,25 m

Hybride WINNER
Hauteur Zones M_écarts (ns) écart-type M_écarts (ns) écart-type
LOS 14,46 3,51 9,93 4,79
1,1 m NLOS1 19,72 4,16 10,74 5,86
NLOS2 17,03 3,57 11,23 4,40
LOS 6,65 4,05 10,23 5,58
0,25 m NLOS1 7,33 4,91 10,65 7,34
NLOS2 10,97 3,91 10,90 5,18

Table 5.7 – Ancienne implantation simplifiée - écart moyen de la dispersion des retards des deux modèles
par zone à 1,1 m et 0,25 m

3.4 Temps de calcul

Ayant lancé chacun des modèles hybride et WINNER 10 fois pour calculer la dispersion des retards, le
temps de simulation est donc calculé pour l’obtention de 10 RIC. Le temps de simulation nécessaire pour
calculer 10 réponses impulsionnelles WINNER est en moyenne égal à 1,10 seconde contre 1,7 seconde
pour notre modèle. WINNER est certes, 1,54 fois plus rapide que notre modèle, toutefois notre temps de
calcul reste faible et raisonnable.

4 Conclusion

Notre modèle hybride bien que construit sur un seul environnement qui est l’ancienne implantation, a pu
prouver à travers les résultats de la comparaison qu’il est aussi performant dans d’autres environnements
surtout pour une faible hauteur des récepteurs. Par contre, étant construit sur des données issues du simu-
lateur déterministe, le modèle hybride a ainsi hérité des limites de ce dernier. Nous avons constaté cela
lorsque nous avons comparé l’étalement temporel des réponses impulsionnelles du modèle déterministe
à la mesure et à WINNER.
Concernant la confrontation des deux modèles, nous ne pouvons pas dire que l’un est meilleur que l’autre

127
Chapitre 5. Évaluation de la robustesse du modèle hybride et de WINNER

puisqu’aucun des deux n’est majoritairement favori lors de la comparaison par rapport au modèle déter-
ministe. Ils ont tous les deux le même comportement en dépit de la scène ce qui les rend moins robuste
quand l’environnement est différent de celui où ils ont été calibrés. Néanmoins, comparativement au
WINNER, construit sur la base d’un plus grand nombre d’environnements, il faut souligner le bon com-
portement du modèle hybride dont la partie statistique n’a été calibrée que sur un environnement. Le
WINNER a l’avantage d’être plus rapide que notre modèle mais notre modèle aussi a un temps de calcul
relativement faible et raisonnable.

128
Conclusion générale et perspectives

La fusion du numérique avec l’industrie est en train de transformer radicalement le monde industriel. Le
numérique n’est plus en option, il est devenu un impératif pour les entreprises mais c’est aussi une op-
portunité qu’elles peuvent saisir et qui leur est désormais accessible. On assiste aujourd’hui aux progrès
scientifiques, techniques et organisationnels dans le domaine de l’informatique et des télécommunica-
tions qui précédent la quatrième révolution industrielle. L’objet de cette thèse est de contribuer à ces
progrès en étudiant le canal de propagation en contexte industriel afin de proposer un modèle de canal
adapté à ces milieux où le canal de propagation est fortement perturbé par la complexité géométrique
ainsi que par le caractère métallique des obstacles rencontrés dans ce type d’environnement. Après une
étude bibliographique sur les modèles de propagation en général et ceux spécifiques à ces milieux, notre
choix s’est porté sur la modélisation d’un modèle hybride qui associe deux familles de modèles. Un mo-
dèle déterministe basé sur le tracer de rayons et un modèle statistique basé sur le principe des clusters
dans le but de bénéficier de leurs avantages respectifs.
Dans le premier chapitre de ce mémoire, nous avons présenté à travers un premier état de l’art le rôle des
télécommunications et leur impact économique sur l’industrie. Cet état de l’art concerne les communica-
tions filaires en industrie et leur évolution, grâce aux avancés technologiques et à la demande du marché,
vers le sans fil. Nous avons enchaîné, d’abord par un second état de l’art sur les communications sans fil
et leurs applications dans l’industrie. Ensuite nous avons présenté l’intérêt de la caractérisation du canal
de propagation et les différents modèles de propagations existants dans un contexte industriel.
Une fois notre contexte de travail situé, nous avons présenté dans la deuxième section du deuxième cha-
pitre, deux modèles de propagation. Le premier est un modèle déterministe basé sur un algorithme de
tracer de rayons 3D dont le simulateur a été développé au sein du laboratoire XLIM-SIC. Ce simula-
teur a comme paramètres d’entrée une modélisation 3D de l’environnement, une fréquence centrale et
un nombre maximal d’interactions. Pour la scène, notre choix s’est porté sur l’usine de production de
Schneider Electric. Pour toutes nos simulations, nous avons paramétré le simulateur à 3 réflexions et 1
diffraction et à la fréquence de 2,45 GHz. Le second est le modèle WINNER. Il est considéré dans la lit-
térature comme le modèle stochastique le plus abouti. Il décrit le comportement du canal de propagation
par un ensemble de clusters dont les trajets ont des caractéristiques proches (puissance, retard et angles
d’arrivée et de départ). Dans le cas du scénario "Large indoor hall" dont les usines font partie, le nombre

129
Conclusion générale et perspectives

de clusters est fixé à 10 en LOS et 15 en NLOS. Chaque cluster contient 20 trajets. Les caractéristiques
de ces derniers sont modélisées par des lois statistiques déduites à partir des résultats issus de campagnes
de mesures et stockés dans des tables de correspondance. La génération des réponses impulsionnelles se
fait à partir de ces tables.
Pour évaluer la fiabilité du modèle WINNER, nous avons comparé la dispersion des retards de ces deux
modèles. Il s’est avéré que le modèle WINNER est très rapide en temps de calcul et avait le même com-
portement en LOS et NLOS que le modèle déterministe. Toutefois, il est plus pessimiste que le modèle
déterministe. Dans la troisième section, nous avons présenté le principe du modèle hybride que nous
proposons. Il est inspiré du modèle à clusters WINNER. Il se différencie du WINNER du fait qu’il soit
construit à partir des données de simulation déterministe et non de mesures ainsi que par son hybridation
qui repose sur la combinaison d’un modèle déterministe et d’un modèle statistique. L’autre différence
qui le caractérise est la séparation du cas NLOS en deux sous configurations : NLOS1 et NLOS2. Notre
modèle est basé sur la complémentarité des deux modèles : déterministe et WINNER. Il est ainsi consti-
tué de deux blocs. Le premier nous fournit un partitionnement spatial de l’environnement selon la zone
de visibilité à laquelle le récepteur appartient : LOS, NLOS1 (existence du trajet simplement réfléchi)
ou NLOS2 (absence du trajet simplement réfléchi). Ce partitionnent est obtenu via une simulation dé-
terministe basée sur un tracer de rayons 3D paramétré à 1 réflexion. La simplicité de ce paramétrage
permet de prendre en compte certaines caractéristiques de l’environnement tout en ayant un temps de
calcul quasiment nul. Le deuxième bloc représente un modèle statistique que nous avons présenté dans
le troisième chapitre.
Concernant le chapitre 3, nous avons détaillé dans la deuxième section la démarche suivie pour la mo-
délisation de la partie statistique du modèle hybride. Cette partie est modélisée, selon la condition de
visibilité (LOS, NLOS1 ou NLOS2) qui est déterminée par le modèle à tracer de rayons et la hauteur
des antennes réceptrices. Ainsi, au total nous avions six configurations à modéliser. La procédure de mo-
délisation consiste à regrouper les données extraites du simulateur déterministe ensuite de les regrouper
pour former les clusters. Nous avons utilisé pour cela les algorithmes K-power means pour la répartition
des données en clusters, et Silhouette pour trouver le nombre optimal de clusters. Une fois les clusters
identifiés, nous avons cherché la loi statistique modélisant au mieux les valeurs des paramètres de chaque
cluster via une méthode s’appuyant sur les critères d’information. Nous stockons par la suite les résultats
de cette modélisation dans des tables de correspondance. Pour chaque hauteur et zone de visibilité, nous
avons, pour chacun des paramètres, une table qui contient pour chaque cluster, la loi qu’il suit ainsi que
ses paramètres.
La deuxième étape de la modélisation, consiste à calculer les coefficients du canal pour chaque lien SISO
à partir des échantillons stochastiques provenant des tables de correspondance. La dernière section du
troisième chapitre, explique la démarche suivie pour pré-valider notre modèle. Cette démarche consiste
à déterminer les valeurs de σ, le paramètre qui permet de contrôler la décroissance de la puissance en
fonction du retard. Les valeurs de σ sont fixées en fonction de la hauteur et de la zone de visibilité.
Le quatrième chapitre, commence par une validation du modèle hybride en le comparant au modèle
déterministe. Nous avons comparé la dispersion des retards des récepteurs répartis uniformément dans les
trois zones de visibilité : LOS, NLOS1 et NLOS2 pour chacune des hauteurs. Suite à cette comparaison,
nous estimons que notre modèle est opérationnel et mieux calibré grâce au paramètre σ.
La troisième section de ce chapitre, présente la campagne de mesures que nous avions mise en place afin
de confronter le modèle hybride à la mesure. Cette section commence par une présentation du banc de

130
mesure et du traitement appliqué aux données mesurées. Ensuite une synthèse et analyse des résultats
des comparaisons, entre la mesure et le modèle déterministe et entre la mesure et le modèle proposé, sont
données.
A la suite de ces comparaison, nous affirmons, comme dit lors de la présentation des familles des modèles
de propagation, que le modèle déterministe est plus précis que notre modèle hybride mais aussi que notre
modèle est beaucoup plus rapide.
Le dernier chapitre de ce manuscrit, a pour but d’évaluer la robustesse de notre modèle hybride ainsi
que celle du modèle statistique WINNER dans 3 environnements industriels différents : ancienne im-
plantation, ancienne simplifiée et nouvelle implantation. Le premier environnement représente l’usine
de production utilisée pour les simulations déterministes qui ont servi à construire notre modèle. Pour
cette scène les machines sont modélisées de façon précise selon leurs emplacements dans l’usine et leurs
hauteurs respectives. Le deuxième environnement représente la même scène industrielle que la première
(ancienne implantation) sauf que la position des machines a été changée et la hauteur fixée à 1,5 m. Le
troisième environnement quant à lui a les mêmes dimensions que le premier par contre la description des
machines a été simplifiée. Cette simplification repose sur un groupement des machines sous forme de
grands blocs ayant tous la hauteur de 1,5 m. À partir des simulations réalisées dans ces 3 scènes avec les
deux modèles, nous avons testé les performances de chacun des modèles en prenant comme référence le
modèle déterministe. De ces comparaisons, nous avons remarqué que :
– Plus la modélisation de la scène est simplifiée plus la dispersion des retards est faible.
– Notre modèle hybride bien que construit sur un seul environnement qui est l’ancienne implantation, a
pu prouver qu’il est aussi performant quand la modélisation est réaliste.
– Plus la scène est simplifiée moins les modèles statistiques sont robustes.
– Le niveau de la modélisation des obstacles est un paramètre impactant significativement les perfor-
mances de notre modèle hybride surtout dans le cas où la hauteur des antennes réceptrices est similaire
à celle des obstacles.
– L’impacte de la modélisation 3D est plus prononcé dans le cas où la hauteur des antennes réceptrice
est similaire à celle des obstacles.
– WINNER est plus 1,54 fois plus rapide que notre modèle, mais notre modèle a un temps de calcul qui
reste faible et raisonnable surtout vis à vis du modèle déterministe.

Perspectives
Nous avons testé la robustesse de notre modèle en le comparant à la simulation déterministe dans deux
environnements différents de celui où il a été calibré. Le premier environnement (nouvelle implantation)
correspond à une nouvelle implantation des machines dont la hauteur a été simplifiée. Tandis que le
second (ancienne implantation simplifiée), les machines ont été simplifiées en hauteur et en largeur.
À court terme, il serait intéressant de comparer la robustesse de notre modèle dans un environnement
ayant le même degré de précision de modélisation que celui où il a été calibré, par exemple sans aucune
simplification des machines.
D’autre part, le modèle que nous avons proposé a été calibré pour une seule fréquence (2,45 GHz)
et pour des applications ayant une topologie en étoile, où l’émetteur est placé à 5 m du sol et où les
récepteurs sont à 1,1 m ou 0,25 m. La deuxième perspective serait de tester sa validité, en le comparant à
la simulation déterministe, dans une topologie maillée où les antennes d’émission et de réception ont la
même hauteur.

131
Conclusion générale et perspectives

Comme perspectives à long terme, nous envisageons une calibration pour une bande de fréquence allant
de 868 MHz à 6 GHz, afin que le modèle soit valide pour le déploiement des systèmes de communica-
tion se basant sur des standards qui n’utilisent pas la bande ISM, tels que DECT (1800-1900 MHz) ou
EnOcean (868 MHz).
L’idée de notre première contribution est basée sur l’hybridation du modèle déterministe et statistique
afin de bénéficier de la précision du premier et la rapidité du second. Toutefois il s’est avéré, de part la
comparaison à la mesure, que sa validité est limitée. Cela peut s’expliquer par le fait que, d’une part la
calibration a été réalisée que sur une partie de l’environnement, et d’autre part que cet environnement
est beaucoup plus complexe que la modélisation qui en a été faite. Nous estimons qu’il serait nécessaire
d’étendre la calibration de la partie statistique sur toute l’usine et aussi à via une référence qui pourrait
être la mesure ou la simulation déterministe.
De part la comparaison de notre modèle à la simulation déterministe, il s’est démontré que ses limites
concernent sa robustesse au changement d’environnement et dans le cas où l’ancien environnement est
modélisé grossièrement. Pour que le modèle soit plus robuste, nous estimons qu’il serait nécessaire
d’étendre la calibration de la partie statistique sur d’autres environnements industriels.
Enfin, il serait aussi intéressant d’étudier l’influence des personnes lors de la modélisation de la partie
statistique afin d’avoir une modélisation plus précise.

132
Annexe A
Paramètres du modèle WINNER

Les paramètres du modèle sont résumés dans le tableau 1 dans le cas LOS du scénario B3 et dans le
tableau 2 pour le cas NLOS.

Cluster Retard [ns] Puissance [dB] AoD [◦ ] AoA [◦ ]


1 0 0,0 0 0
2 0 | 5 | 10 -9,6 | -11,8 | -13,6 -23 -53
3 15 -14,5 -34 -79
4 25 -12,8 -32 -74
5 40 -13,7 33 76
6 40 | 45 | 50 -14,1 | -16,4 | -18,1 -35 80
7 90 -12,6 32 -73
8 130 -15,2 -35 80
9 185 -23,3 -43 -100
10 280 -27,7 47 -108

Table 1 – Scénario B3 - LOS WINNER

133
Annexe A. Paramètres du modèle WINNER

Cluster Retard [ns] Puissance [dB] AoD [◦ ] AoA [◦ ]


1 0 -6,6 -16 -73
2 5 | 10 | 15 -3,0 | -5,2 | -7,0 0 0
3 5 -11,0 -21 -94
4 10 | 15 | 20 -4,3 | -6,5 | -8,2 -10 -46
5 20 -7,1 17 75
6 20 -2,7 -10 -46
7 30 -4,3 -13 -59
8 60 -14,1 -24 107
9 60 -6,2 -16 71
10 65 -9,1 19 86
11 75 -5,5 -15 67
12 110 -11,1 -21 95
13 190 -11,8 22 98
14 290 -17,0 -26 117
15 405 -24 -32 142

Table 2 – Scénario B3 - NLOS WINNER

134
Annexe B
Coefficients et lois statistiques associées modélisant le retard
et les angles

Paramètres
cluster Retard AoA_az AoA_el AoD_az AoD_el
1 Weibull Normal Normal Valeurs Extrêmes Laplace
2 Weibull Nakagami Normal Nakagami Laplace
3 Gamma Valeurs Extrêmes Nakagami Lognormal Weibull
4 Lognormal Normal Weibull Lognormal Normal
5 Gamma Valeurs Extrêmes Laplace Laplace Normal
6 Lognormal Nakagami Weibull Valeurs Extrêmes Gamma
7 Lognormal Valeurs Extrêmes Weibull Gamma Weibull
8 Weibull Gamma Weibull Weibull Nakagami
9 Laplace Lognormal Laplace Lognormal Laplace
10 Lognormal Gamma Normal Valeurs Extrêmes Nakagami
11 Lognormal Valeurs Extrêmes Valeurs Extrêmes Weibull Normal
12 Lognormal Lognormal Weibull Gamma Lognormal
13 Lognormal Valeurs Extrêmes Nakagami Lognormal Lognormal
14 Lognormal Gamma Weibull Valeurs Extrêmes Nakagami
15 Lognormal Valeurs Extrêmes Laplace Weibull Laplace
16 Lognormal Gamma Valeurs Extrêmes Gamma Valeurs Extrêmes

Table 1 – Lois statistiques modélisant le retard et les angles par cluster, LOS à 1,1 m

135
Annexe B. Coefficients et lois statistiques associées modélisant le retard et les angles

Paramètres
cluster Retard AoA_az AoA_el AoD_az AoD_el
1 Weibull Valeurs Extrêmes Normal Valeurs Extrêmes Laplace
2 Weibull Nakagami Normal Nakagami Laplace
3 Laplace Lognormal Gamma Lognormal Normal
4 Lognormal Valeurs Extrêmes Nakagami Lognormal Weibull
5 Lognormal Valeurs Extrêmes Nakagami Lognormal Weibull
6 Laplace Lognormal Weibull Valeurs Extrêmes Lognormal
7 Lognormal Gamma Normal Laplace Weibull
8 Lognormal Valeurs Extrêmes Normal Weibull Nakagami
9 Lognormal Valeurs Extrêmes Normal Laplace Weibull
10 Lognormal Lognormal Valeurs Extrêmes Gamma Valeurs Extrêmes
11 Lognormal Gamma Valeurs Extrêmes Valeurs Extrêmes Lognormal
12 Nakagami Laplace Gamma Laplace Valeurs Extrêmes
13 Laplace Etreme Value Nakagami Weibull Gamma
14 Gamma Normal Weibull Laplace Normal

Table 2 – Lois statistiques modélisant le retard et les angles par cluster, NLOS1 à 1,1 m

Paramètres
cluster Retard AoA_az AoA_el AoD_az AoD_el
1 Laplace Lognormal Lognormal Nakagami Laplace
2 Lognormal Nakagami Lognormal Lognormal Lognormal
3 Laplace Nakagami Valeurs Extrêmes Nakagami Valeurs Extrêmes
4 Laplace Valeurs Extrêmes Lognormal Lognormal Valeurs Extrêmes
5 Lognormal Nakagami Lognormal Nakagami Laplace
6 Weibull Lognormal Lognormal Lognormal Valeurs Extrêmes
7 Normal Lognormal Nakagami Lognormal Weibull
8 Valeurs Extrêmes Laplace Laplace Valeurs Extrêmes Laplace
9 Gamma Laplace Lognormal Laplace Laplace
10 Gamma Laplace Lognormal Lognormal Weibull
11 Lognormal Laplace Lognormal Valeurs Extrêmes Weibull

Table 3 – Lois statistiques modélisant le retard et les angles par cluster, NLOS2 à 1,1 m

136
Paramètres
cluster Retard AoA_az AoA_el AoD_az AoD_el
1 Valeurs Extrêmes Normal Normal Valeurs Extrêmes Laplace
2 Weibull Nakagami Normal Nakagami Laplace
3 Laplace Valeurs Extrêmes Laplace Normal Laplace
4 Gamma Lognormal Valeurs Extrêmes Valeurs Extrêmes Lognormal
5 Lognormal Lognormal Normal Gamma Nakagami
6 Normal Valeurs Extrêmes Nakagami Gamma Lognormal
7 Laplace Lognormal Laplace Valeurs Extrêmes Laplace
8 Lognormal Valeurs Extrêmes Rayleigh Valeurs Extrêmes Normal
9 Lognormal Lognormal Nakagami Lognormal Nakagami
10 Lognormal Exponentiel Normal Valeurs Extrêmes Gamma
11 Lognormal Nakagami Valeurs Extrêmes Weibull Nakagami
12 Lognormal Valeurs Extrêmes Weibull Lognormal Laplace
13 Lognormal Valeurs Extrêmes Lognormal Valeurs Extrêmes Lognormal

Table 4 – Lois statistiques modélisant le retard et les angles par cluster, LOS à 0,25 m

Paramètres
cluster Retard AoA_az AoA_el AoD_az AoD_el
1 Weibull Nakagami Nakagami Gamma Laplace
2 Weibull Nakagami Normal Nakagami Laplace
3 Laplace Valeurs Extrêmes Normal Valeurs Extrêmes Valeurs Extrêmes
4 Lognormal Rayleigh Normal Laplace Lognormal
5 Lognormal Valeurs Extrêmes Weibull Normal Lognormal
6 Normal Valeurs Extrêmes Nakagami Lognormal Valeurs Extrêmes
7 Laplace Valeurs Extrêmes Laplace Weibull Normal
8 Lognormal Gamma Valeurs Extrêmes Valeurs Extrêmes Nakagami
9 Laplace Laplace Weibull Weibull Rayleigh
10 Laplace Lognormal Laplace Laplace Valeurs Extrêmes
11 Lognormal Valeurs Extrêmes Nakagami Valeurs Extrêmes Nakagami
12 Lognormal Valeurs Extrêmes Laplace Laplace Weibull

Table 5 – Lois statistiques modélisant le retard et les angles par cluster, NLOS1 à 0,25 m

137
Annexe B. Coefficients et lois statistiques associées modélisant le retard et les angles

Paramètres
cluster Retard AoA_az AoA_el AoD_az AoD_el
1 Weibull Nakagami Normal Gamma Laplace
2 Weibull Valeurs Extrêmes Nakagami Nakagami Laplace
3 Lognormal Valeurs Extrêmes Weibull Weibull Laplace
4 Laplace Lognormal Laplace Laplace Normal
5 Normal normal Weibull Gamma Weibull
6 Lognormal Gamma Weibull Laplace Laplace
7 Lognormal Normal Weibull Lognormal Laplace
8 Lognormal Lognormal Laplace Valeurs Extrêmes Laplace
9 Lognormal Valeurs Extrêmes Normal Lognormal Normal
10 normal Laplace Normal Lognormal Laplace
11 Lognormal Weibull Nakagami Gamma Valeurs Extrêmes

Table 6 – Lois statistiques modélisant le retard et les angles par cluster, NLOS2 à 0,25 m

138
Annexe C
Coefficients et lois statistiques associées modélisant la
puissance

Paramètres
Cluster A B Loi évanouissements rapides
1 -0,11 -18,30 Normal
2 -3,01 -1,58 Normal
3 -1,13 28,37 Gamma
4 0,08 -31,74 Laplace
5 1,26 -37,25 Normal
6 -1,36 -28,59 Lognormal
7 -1,52 -35,72 Laplace
8 1,60 -44,56 Nakagami
9 6,08 -31,31 Laplace
10 -0,40 -40,17 Laplace
11 3,87 -39,40 Gamma
12 3,53 -41,46 Nakagami
13 3,88 -36,01 Laplace
14 2,25 -36,01 Gamma
15 4,67 -41,59 Normal
16 0,73 -28,43 Lognormal

Table 1 – Coefficients et lois statistiques associées modélisant la puissance, LOS à 1,1 m

139
Annexe C. Coefficients et lois statistiques associées modélisant la puissance

Paramètres
Cluster A B Loi évanouissements rapides
1 -2,40 -8,27 Nakagami
2 -0,40 -9,14 Nakagami
3 6,44 -42,48 Nakagami
4 4,99 -43,29 Lognormal
5 1,95 -34,35 Rayleigh
6 0,80 -29,09 Gamma
7 0,49 -29,30 Nakagami
8 -0,88 -26,30 Gamma
9 -2,84 -23,02 Lognormal
10 -5,17 -17,30 Lognormal
11 -0,02 -29,59 Nakagami
12 -0,97 -27,04 Gamma
13 2,23 -32,58 Lognormal
14 1,22 -32,25 Laplace

Table 2 – Coefficients et lois statistiques modélisant la puissance NLOS1 à 1,1 m

Paramètres
Cluster A B Loi évanouissements rapides
1 -13,06 14,97 Lognormal
2 -10,76 -4,97 Lognormal
3 6,17 -37,89 Lognormal
4 46,11 -145,26 Weibull
5 -50,30 123,83 Weibull
6 -31,85 58,61 Lognormal
7 -75,16 186,73 Weibull
8 -33,96 59,85 Valeurs Extrêmes
9 21,07 -87,05 Laplace
10 28,93 -100,45 Valeurs Extrêmes
11 8,65 -39,99 Lognormal

Table 3 – Coefficients et lois statistiques modélisant la puissance, NLOS2 à 1,1 m

140
Paramètres
Cluster A B évanouissements rapides
1 0,49 -18,05 Nakagami
2 -1,67 -2,07 Normal
3 6,29 -47,18 Laplace
4 0,22 -32,08 Lognormal
5 4,71 -42,39 Gamma
6 2,42 -37,44 Gamma
7 6,27 -48,38 Rayleigh
8 3,64 -39,34 Gamma
9 1,59 -34,44 Gamma
10 2,10 -36,52 Laplace
11 3,40 -39,18 Gamma
12 4,89 -41,40 Lognormal
13 3,25 -37,86 Gamma

Table 4 – Coefficients et lois statistiques modélisant la puissance, LOS à 0,25 m pour

Paramètres
Cluster A B évanouissements rapides
1 -0,56 -9,62 Normal
2 -3,56 -0,59 Normal
3 2,19 -37,51 Rayleigh
4 -0,20 -21,87 Laplace
5 -5,97 -7,61 Gamma
6 0,14 -23,33 Nakagami
7 -1,82 -17,41 Nakagami
8 2,73 -28,56 Nakagami
9 -2,48 -16,09 Laplace
10 -0,83 -21,06 Laplace
11 -1,94 -18,86 Gamma
12 1,37 -24,81 Nakagami

Table 5 – Coefficients et lois statistiques modélisant la puissance, NLOS1 à 0,25 m

141
Annexe C. Coefficients et lois statistiques associées modélisant la puissance

Paramètres
Cluster A B évanouissements rapides
1 0,30 -11,44 Laplace
2 3,07 -1,91 Laplace
3 -1,64 -27,10 Nakagami
4 3,56 -38,05 Nakagami
5 0,87 -32,52 Gamma
6 -1,67 -25,61 Nakagami
7 0,15 -30,97 Gamma
8 2 -34,95 Nakagami
9 3,95 -39,75 Nakagami
10 -0,08 -31,86 Nakagami
11 3,29 37,66 Lognormal

Table 6 – Coefficients et lois statistiques modélisant la puissance, NLOS2 à 0,25 m

142
Table des figures

1.1 Part de l’industrie en pourcentage du PIB . . . . . . . . . . . . . . . . . . . . . . . . . 5


1.2 Dépense en R&D en pourcentage du PIB . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Les automates centralisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Les automates décentralisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 La décentralisation des E/S et de la périphérie d’automatisme . . . . . . . . . . . . . . . 10
1.6 Approche générique du concept de CIM . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7 Correspondance entre les niveaux du CIM et un bus ou réseau . . . . . . . . . . . . . . 11
1.8 Approche du concept de CIM selon le volume des données et du temps de réponse . . . 12
1.9 Schème typique d’un système M2M . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.10 Exemple de Réseau Local Industriel utilisant différentes technologies cellulaires . . . . . 19
1.11 Bandes de fréquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.12 Exemple d’architecture d’un réseau Bluetooth . . . . . . . . . . . . . . . . . . . . . . . 22
1.13 Comparaison de la consommation d’énergie/portée des technologies sans fil . . . . . . . 23
1.14 Exemple typique d’un réseau WirelessHART . . . . . . . . . . . . . . . . . . . . . . . 24
1.15 Illustration des variations de la puissance reçue en fonction de la distance. . . . . . . . . 26
1.16 Réponse impulsionnelle et temps de symbole . . . . . . . . . . . . . . . . . . . . . . . 27
1.17 Dispersion des retards selon l’environnement industriel . . . . . . . . . . . . . . . . . . 28
1.18 Illustration du principe de la méthode de l’image virtuelle . . . . . . . . . . . . . . . . . 30
1.19 Principe du modèle de Saleh et Valenzuela . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.20 modèle IPDP dans quelques environnements . . . . . . . . . . . . . . . . . . . . . . . . 32
1.21 APDP mesuré à 20 m en NLOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2.1 Synoptique du simulateur de propagation d’ondes électromagnétiques . . . . . . . . . . 46


2.2 Interface du simulateur de propagation . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3 CDF de la puissance en fonction du nombre maximum d’interactions . . . . . . . . . . . 49
2.4 Illustration du concept de cluster (les différents diffuseurs au sein de chaque cluster sont
représentés en vert) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.5 Procédure de génération des coefficients du canal . . . . . . . . . . . . . . . . . . . . . 52
2.6 Environnements de mesures pour modèle WINNER : a) foyer b) salle de conférence c-d)
hall industriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.7 Trajectoires des mesures : rouge-rez de chaussée, bleu-premier étage . . . . . . . . . . . 59

143
Table des figures

2.8 Plan de l’usine avec un émetteur et des récepteurs en LOS . . . . . . . . . . . . . . . . 60


2.9 Réponse impulsionnelle issue du simulateur déterministe pour un émetteur en LOS . . . 61
2.10 Réponse impulsionnelle issue de WINNER pour le même émetteur en LOS . . . . . . . 61
2.11 Réponse impulsionnelle issue du simulateur déterministe pour un émetteur en NLOS . . 61
2.12 Réponse impulsionnelle issue de WINNER pour le même émetteur en NLOS . . . . . . 62
2.13 Exemples regroupant trois conditions de propagation : LOS, NLOS1 et NLOS2 . . . . . 64
2.14 Partitionnement spatial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.15 Partitionnement spatial de l’environnement h = 1,1 m . . . . . . . . . . . . . . . . . . . 65
2.16 Partitionnement spatial de l’environnement h=0,25 m . . . . . . . . . . . . . . . . . . . 65
2.17 Fonction de répartition des puissances à 1,1m . . . . . . . . . . . . . . . . . . . . . . . 67
2.18 Fonction de répartition des puissances à 0,25 m . . . . . . . . . . . . . . . . . . . . . . 67
2.19 Fonction de répartition de la dispersion des retards à 1,1 m . . . . . . . . . . . . . . . . 68
2.20 Fonction de répartition de la dispersion des retards à 0,25 m . . . . . . . . . . . . . . . 69
2.21 Principe du modèle hybride . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

3.1 Regroupement des trajets en 2 clusters selon le paramètre angulaire . . . . . . . . . . . 79


3.2 Exemple de la pondération de la distance par la puissance . . . . . . . . . . . . . . . . . 82
3.3 Principe de l’algorithme Kpower-means . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.4 Illustration des différentes solutions de la répartition des données en clusters avec N = 2 83
3.5 Illustration de la répartition les données en clusters temporels avec l’algorithme K-power
means avec N = 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.6 CDF des retards de propagation d’un cluster dans le cas LOS à 1,1 m . . . . . . . . . . . 88
3.7 Puissance totale, atténuation moyenne de la puissance et évanouissements rapides en
fonction de la distance émetteur-récepteur d’un cluster à 1,1 m . . . . . . . . . . . . . . 89
3.8 Puissance totale, atténuation moyenne de la puissance et évanouissements rapides en
fonction de la distance émetteur-récepteur pour un cluster à 0,25 m . . . . . . . . . . . . 89
3.9 Évanouissements rapides (en linéaire) en fonction de la distance émetteur-récepteur, CDF
des évanouissements rapides de la zone NLOS2 à 0,25 m . . . . . . . . . . . . . . . . . 91
3.10 Position des récepteurs ayant une hauteur égale à 1,1 m . . . . . . . . . . . . . . . . . . 94
3.11 Positions des récepteurs ayant une hauteur égale à 0,25 m . . . . . . . . . . . . . . . . . 95
3.12 Moyenne des écarts de la dispersion des retards en fonction du paramètre sigma cas LOS
(0,25 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.13 Moyenne des écarts de la dispersion des retards en fonction du paramètre sigma cas
NLOS1 (0,25 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.14 Moyenne des écarts de la dispersion des retards en fonction du paramètre sigma cas
NLOS2 (0,25 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

4.1 Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
LOS (récepteur à 1,1 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.2 Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
NLOS1 (récepteur à 1,1 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.3 Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
NLOS2 (récepteur à 1,1 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

144
4.4 Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
LOS (récepteur à 0,25 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.5 Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
NLOS1 (récepteur à 0,25 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.6 Dispersion des retards des modèles déterministe (en bleu) et hybride (en vert) dans le cas
NLOS2 (récepteur à 0,25 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.7 Ancienne (a) et nouvelle (b) implantations des machines dans l’usine de production . . . 107
4.8 Banc de mesures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
4.9 Système de traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.10 Réponses impulsionnelles obtenues après chacune des 3 étapes . . . . . . . . . . . . . . 110
4.11 Réponses impulsionnelles simulée et mesurée pour la même position de réception à 1,1 m 111
4.12 Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas LOS (récepteurs à 1,1 m du sol) . . . . . . . . . . . . . . . 114
4.13 Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas NLOS1 (récepteurs à 1,1 m du sol) . . . . . . . . . . . . . 114
4.14 Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas NLOS2 (récepteurs à 1,1 m du sol) . . . . . . . . . . . . . 115
4.15 Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas LOS (récepteurs à 0,25 m du sol) . . . . . . . . . . . . . . 115
4.16 Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas NLOS1 (récepteurs à 0,25 m du sol) . . . . . . . . . . . . . 115
4.17 Dispersion des retards de la mesure (en rose) et des modèles déterministe (en bleu) et
hybride (en vert) dans le cas NLOS2 (récepteurs à 0,25 m du sol) . . . . . . . . . . . . . 116

5.1 Procédure de simplification de la scène : Ancienne implantation . . . . . . . . . . . . . 122


5.2 Réponses impulsionnelles issues du simulateur déterministe et WINNER pour le même
récepteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

145
Liste des tableaux

1.1 Puissance autorisées en France pour la bande ISM . . . . . . . . . . . . . . . . . . . . . 20


1.2 Allocation de la bande de fréquences ISM selon les pays . . . . . . . . . . . . . . . . . 21
1.3 Caractéristiques de WirelessHART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4 Dispersion des retards à 16 m dans le cas LOS . . . . . . . . . . . . . . . . . . . . . . . 33
1.5 Dispersion des retards dans le cas LOS . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.6 Dispersion des retards dans le cas NLOS . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.7 Validation du modèle - Dispersion des retards . . . . . . . . . . . . . . . . . . . . . . . 36

2.1 Le temps de calcul correspondant à un lien SISO pour différentes combinaisons d’inter-
actions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.2 Scénarios de propagation spécifiés dans WINNER . . . . . . . . . . . . . . . . . . . . . 51
2.3 Nombre de clusters selon le scénario et la condition de visibilité . . . . . . . . . . . . . 52
2.4 Paramètres utilisés pour le calcul des coefficients du canal . . . . . . . . . . . . . . . . . 57
2.5 Comparaison des paramètres entre le modèle déterministe et WINNER . . . . . . . . . . 62
2.6 Puissances associées aux combinaisons d’interactions à 1,1m . . . . . . . . . . . . . . . 66
2.7 Puissances associées aux combinaisons d’interactions à 0,25 m . . . . . . . . . . . . . . 66
2.8 Paramètres de la loi modélisant la puissance totale reçue à 1,1 m . . . . . . . . . . . . . 68
2.9 Paramètres de la loi modélisant la puissance totale reçue à 0,25 m . . . . . . . . . . . . 68
2.10 Paramètres de la loi modélisant la dispersion des retards à 1,1 m . . . . . . . . . . . . . 68
2.11 Paramètres de la loi modélisant la dispersion des retards à 0,25 m . . . . . . . . . . . . . 69

3.1 Nombre de trajets pour 1000 récepteurs . . . . . . . . . . . . . . . . . . . . . . . . . . 78


3.2 Nombre de clusters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.3 Quelques critères d’information [SIA+09] . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.4 Lois et paramètres associés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.5 Lois statistiques modélisant le retard et les angles par cluster, LOS à 1,1 m . . . . . . . . 87
3.6 Coefficients et lois statistiques associées modélisant la puissance, LOS à 1,1 m . . . . . 90
3.7 Les coefficients A et B en dB ainsi que les lois et leurs paramètres donnés par zone de
visibilité et hauteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.8 Valeur de sigma associée à chaque zone en fonction de la hauteur . . . . . . . . . . . . . 97

147
Liste des tableaux

4.1 Écart moyen de la dispersion des retards selon une fenêtre temporelle de filtrage (h = 1,1
m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2 Écart moyen de la dispersion des retards selon une fenêtre temporelle de filtrage (h =
0,25 m) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.3 Étude comparative de la dispersion des retards entre la mesure et le modèle hybride pour
une hauteur de récepteur à 0,25 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.4 Étude comparative de la dispersion des retards entre la mesure et le modèle hybride pour
une hauteur de récepteur à 1,1 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

5.1 Nombre de récepteurs par zone pour chacune des scènes . . . . . . . . . . . . . . . . . 123
5.2 Ancienne implantation - dispersion des retards (RMS) des 3 modèles par zone à 1,1 m et
0,25 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.3 Ancienne implantation - écart moyen de la dispersion des retards des deux modèles par
zone à 1,1 m et 0,25 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.4 Nouvelle implantation simplifiée - dispersion des retards (RMS) des deux modèles par
zone à 1,1 m et 0,25 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.5 Nouvelle implantation - écart moyen de la dispersion des retards des trois modèles par
zone à 1,1 m et 0,25 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.6 Ancienne implantation simplifiée - dispersion des retards (RMS) des trois modèles par
zone à 1,1 m et 0,25 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.7 Ancienne implantation simplifiée - écart moyen de la dispersion des retards des deux
modèles par zone à 1,1 m et 0,25 m . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

1 Scénario B3 - LOS WINNER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133


2 Scénario B3 - NLOS WINNER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

1 Lois statistiques modélisant le retard et les angles par cluster, LOS à 1,1 m . . . . . . . . 135
2 Lois statistiques modélisant le retard et les angles par cluster, NLOS1 à 1,1 m . . . . . . 136
3 Lois statistiques modélisant le retard et les angles par cluster, NLOS2 à 1,1 m . . . . . . 136
4 Lois statistiques modélisant le retard et les angles par cluster, LOS à 0,25 m . . . . . . . 137
5 Lois statistiques modélisant le retard et les angles par cluster, NLOS1 à 0,25 m . . . . . 137
6 Lois statistiques modélisant le retard et les angles par cluster, NLOS2 à 0,25 m . . . . . 138

1 Coefficients et lois statistiques associées modélisant la puissance, LOS à 1,1 m . . . . . 139


2 Coefficients et lois statistiques modélisant la puissance NLOS1 à 1,1 m . . . . . . . . . 140
3 Coefficients et lois statistiques modélisant la puissance, NLOS2 à 1,1 m . . . . . . . . . 140
4 Coefficients et lois statistiques modélisant la puissance, LOS à 0,25 m pour . . . . . . . 141
5 Coefficients et lois statistiques modélisant la puissance, NLOS1 à 0,25 m . . . . . . . . 141
6 Coefficients et lois statistiques modélisant la puissance, NLOS2 à 0,25 m . . . . . . . . 142

148


   

  

 

     


  
 
  
   


  
      
  
                
 

   
 !
" #$  
 
  "!
   "#%#
 " 


  &  

    


'"
  
   
  #
 
  
 

  

( !#
 
 )#  
*   *
  ! )+ 
,-../0'*  
 

  )#   !  
* 1   #

 2  #
3 #
434      
!
   
5
  ),-../0
 
 6%6  
  1    

*
      

      .    
    
   
    "#  !    

   !
7#  

 ,-../0

 
    

   ! 
)

  !   8
    
  
      8
  )#   8
    
,-../08
   ! )
-       
   
##
   


"  
 #
 $ %   
  & $

"'"   9               
           
     

   -              
       #       ) 

)
   9     #
 
   
          #%    
  
          
9              
  
      
 5         
    

   #
#
  #)   

9  #


:  )#  
 
      

    #))    ,  
9   
)  
 
 )#              #
)
  2  #
) 3:;4  34 #             
       :
 &  
 
,-../0  
  
)   
    

)   


          

, 
  
#)   
)     
   
-#:

  ,-../0 #) 


    
       #)        :            
 

(!)*+   -  
    , 
   
  <)#   
  ,-../0    

 
0)      

':