Annonce

Les commentaires sont clos.

Soutenance de thèse de / Thesis Defence of Lélio Chetot

29 Juin 2022

Catégorie : Soutenance de thèse

Dear all,

I am glad to invite you to my thesis defence entitled "Activity Models and Bayesian Estimation Algorithms for Wireless Grant-Free Random Access". My thesis has been done in the CITI Laboratory.

Please find all the information below.

---

When ?
2pm Thursday ,7th July.

Where ?

  • Physical location:
    • Amphi Chappe (rez-de-chaussée),
    • Bâtiment Hedy Lamarr (anciennement Claude Chappe),
    • Département Télécommunications, Services et Usages, INSA Lyon,
    • Campus de la Doua, 6 Avenue des Arts
    • Villeurbanne (69100), FRANCE
  • Online video streaming:

Thesis info

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

Abstract (ENG):
The new 5G’s wireless networks have recently started to be deployed all around the world. With them, a large spectrum of services are about to emerge, resulting in new stringent requirements so that 5G targets performance exceed that of 4G by a factor of 10. The services are centered around the use cases of enhanced mobile broadband (eMBB), ultra reliable and low-latency communication (uRLLC) and massive machine-type communication (mMTC) where each of which has required the ongoing development of key new technologies. Many of these technologies will also play an important role in the emergence of 6G.

In this thesis, the focus is on grant-free RA (GFRA) as an enabler of uRLLC and mMTC. GFRA is a new protocol introduced in 5G new radio (5G-NR) for reducing the data overhead of the random access (RA) procedure. This results in a significant reduction in the latencies of the user equipments (UEs) access to a connected medium via an access point (AP). Achieving efficient GFRA is of key importance for many 5G applications, e.g. for large scale internet of things (IoT) wireless networks. The study of new non-orthogonal multiple access (NOMA) signal processing techniques is then considered. Using tools from the theory of compressed sensing (CS), and particularly from Bayesian CS, new algorithms within the family of approximate message passing (AMP) are developed to address the joint active user detection and channel estimation (AUDaCE) problem. The active user detection is crucial to properly identify transmitting UEs within the context of large-scale dense network; the channel estimation is equally important so that an AP can reliably transmit back data to the detected UEs.

In this thesis, in contrast to existing work on this topic, the AUDaCE is studied for wireless networks where the activity of the UEs is assumed to be correlated, as is typical for many large-scale dense networks. To this end, two new activity models are introduced. The first one assumes that the activity of the UEs in the network can be modeled via group-homogeneous activity (GHomA) where devices in the same group have common pairwise correlations and marginal activity probabilities. The second model accounts for more general dependence structure via group-heterogeneous activity (GHetA). Novel approximate message passing algorithms within the hybrid GAMP (HGAMP) framework are developed for each of the models. With the aid of latent variables associated to each group for modeling the activity probabilities of the UEs, the GHomA-HGAMP algorithm can perform AUDaCE for GFRA leveraging such a group homogeneity. When the activity is heterogenous, i.e. each UE is associated with a latent variable modeling its activity probability correlated with the other variables, it is possible to develop GHetA-HGAMP using the copula theory.

Extensive numerical studies are performed, which highlight significant performance improvements of GHomA-HGAMP and GHetA-HGAMP over existing algorithms (modified generalized AMP (GAMP) and group-sparse HGAMP (GS-HGAMP)), which do not properly account for correlation in activity. In particular, the channel estimation and active user detection capability are enhanced in many scenarios with up to a 4dB improvement with twice less user errors.

As a whole, this thesis provides a systematic approach to AUDaCE for wireless networks with correlated activities using tools from Bayesian CS. We then conclude by showing how it could be used for multi-carrier orthogonal frequency division multiplexing (OFDM) scenarios with possible extensions for grant-free (GF) data transmission leveraging joint data recovery, active user detection and channel estimation (DrAUDaCE).

Abstract (FRA):
Les nouveaux réseaux sans fil de la 5G ont récemment commencé à être déployés dans le monde entier. Avec eux, un large spectre de services est sur le point d'émerger, entraînant de nouvelles exigences strictes afin que les performances visées par la 5G dépassent celles de la 4G d'un facteur 10. Ces services s'articulent autour des cas d'utilisation que sont le haut débit mobile amélioré (eMBB), la communication ultra fiable et à faible latence (uRLLC) et la communication massive de type machine (mMTC), qui ont tous nécessité le développement continu de nouvelles technologies clés. Nombre de ces technologies joueront également un rôle important dans l'émergence de la 6G.

Dans cette thèse, l'accent est mis sur l'accès aléatoire spontané (GFRA) en tant que catalyseur de l'uRLLC et de la mMTC. Le GFRA est un nouveau protocole introduit dans la nouvelle radio 5G (5G-NR) pour réduire la surcharge de données de la procédure d'accès aléatoire (RA). Il en résulte une réduction significative des latences d'accès des équipements utilisateurs (UE) à un point d'accès (AP). L'efficacité du GFRA est d'une importance capitale pour de nombreuses applications de la 5G, par exemple pour les réseaux sans fil à grande échelle de l'Internet des objets (IoT). L'étude de nouvelles techniques de traitement du signal à accès multiple non orthogonal (NOMA) est ensuite envisagée. À l'aide d'outils issus de la théorie de l'acquisition comprimée (CS), et en particulier de la CS bayésienne, de nouveaux algorithmes de la famille du passage de messages approximés (AMP) sont développés pour résoudre le problème conjoint de la détection active de l'utilisateur et de l'estimation du canal (AUDaCE). La détection de l'utilisateur actif est cruciale pour identifier correctement les UEs émetteurs dans le contexte d'un réseau dense à grande échelle ; l'estimation du canal est également importante pour qu'un AP puisse renvoyer de manière fiable les données aux UEs détectés.

Dans cette thèse, contrairement aux travaux existants sur ce sujet, l'AUDaCE est étudié pour des réseaux sans fil où l'activité des UEs est supposée être corrélée, comme c'est le cas pour de nombreux réseaux denses à grande échelle. Ainsi, deux nouveaux modèles d'activité sont introduits. Le premier suppose que l'activité des UE dans le réseau peut être modélisée par une activité homogène de groupe (GHomA). Le second modèle tient compte d'une structure de dépendance plus générale via l'activité hétérogène de groupe (GHetA).

De nouveaux algorithmes à passage de messages approximés de la famille des algorithmes hybride GAMP (HGAMP) sont développés pour chacun des modèles. À l'aide de variables latentes associées à chaque groupe pour modéliser les probabilités d'activité des UE, l'algorithme GHomA-HGAMP peut effectuer l'AUDaCE pour le GFRA en tirant parti d'une telle homogénéité de groupe. Lorsque l'activité est hétérogène, c'est-à-dire que chaque UE est associée à une variable latente modélisant sa probabilité d'activité corrélée avec les autres variables, il est possible de développer GHetA-HGAMP en utilisant la théorie des copules.

Nos simulations numériques mettent en évidence des améliorations significatives des performances de GHomA-HGAMP et GHetA-HGAMP par rapport aux algorithmes existants, qui ne prennent pas correctement en compte la corrélation dans l'activité. En particulier, l'estimation du canal et la capacité de détection des utilisateurs actifs sont améliorées dans de nombreux scénarios avec une amélioration de 4dB pour l'estimation de canal et deux fois moins d'erreurs de détection.

Dans l'ensemble, cette thèse fournit une approche systématique de l'AUDaCE pour les réseaux sans fil avec des activités corrélées en utilisant des outils de la CS bayésienne. Nous concluons en montrant comment elle pourrait être utilisée pour des scénarios OFDM multi-porteuses avec des extensions possibles pour la transmission de données spontanée (GF) en tirant parti de la récupération conjointe des données, de la détection active de l'utilisateur et de l'estimation du canal (DrAUDaCE).

Jury

  • Catherine DOUILLARD, Professor @ IMT Atlantique, Reviewer
  • Dejan VUKOBRATOVIC, Professor @ Univ. Novi Sad, Reviewer
  • Aline ROUMI, Senior Research Scientist @ INRIA Rennes, Examiner
  • Philippe CIBLAT, Professor @ Telecom Paris, Examiner
  • Cedomir STEFANOVIC, Professor @ Univ. Aalborg, Examiner
  • Jean-Marie GORCE, Professor @ INSA Lyon, Director
  • Malcolm EGAN, Research Scientist @ INRIA Lyon, Supervisor

Conference Papers

  • L. Chetot, J.-M. Gorce, and J.-M. Kelif, “Fundamental Limits in Cellular Networks with Point Process Partial Area Statistics,” in WiOpt 2019.
  • D. Duchemin, L. Chetot, J.-M. Gorce, et al., “Détecteur pour l’accès aléatoire massif entre machines avec connaissance statistique du canal en lien ascendant,” in GRETSI 2019.
  • D. Duchemin, L. Chetot, J.-M. Gorce, et al., “Coded random access for massive MTC under statistical channel knowledge,” in SPAWC 2019

Journal papers

  • L. Chetot, M. Egan, and J.-M. Gorce, “Joint Identification and Channel Estimation for Fault Detection in Industrial IoT with Correlated Sensors,” in IEEE Access 2021.
  • L. Chetot, M. Egan, and J.-M. Corce, ”Active User Detection and Channel Estimation for Grant-Free Random Access with Group-Heterogeneous Activity”, in preparation.