FSA-Net : Comment le deep learning localise des sources de signaux inconnues avec une précision sous-degree

Imaginez devoir repérer plusieurs chuchotements dans une salle bruyante sans savoir combien de personnes parlent ni où elles se tiennent. C’est le quotidien des ingénieurs en communications sans fil et en systèmes radar. Les méthodes classiques comme MUSIC et ESPRIT ont longtemps été les références pour déterminer l’angle d’arrivée (DOA) des signaux. Ces techniques atteignent cependant leurs limites lorsque la qualité du signal se dégrade, que les sources sont très proches ou que le nombre d’émetteurs actifs reste inconnu. Le nouveau cadre d’apprentissage profond FSA-Net comble ce vide. Il estime simultanément le nombre de sources et leurs angles précis. Aucune connaissance préalable sur la scène n’est nécessaire.

La force de FSA-Net réside dans sa capacité à gérer trois défis distincts au sein d’un modèle unique. La plupart des solutions existantes nécessitent des configurations séparées selon qu’il y a une, deux ou trois sources. FSA-Net intègre naturellement ces scénarios mixtes. Le réseau résout aussi l’ambiguïté de permutation, un problème persistant dans les réseaux neuronaux où les sorties ordonnées ne correspondent pas aux réalités physiques non ordonnées. Grâce à un mécanisme de tri et de regroupement séquentiel, il aligne les angles prédits avec les probabilités d’existence via des permutations synchronisées. Chaque prédiction d’angle correspond ainsi précisément à la présence d’une source spécifique. L’inclusion d’un terme de gap adjacent dans la fonction objectif affine également la résolution pour les sources situées très près les unes des autres.

Les données d’entrée proviennent d’une matrice de covariance échantillonnée normalisée générée par un réseau linéaire uniforme. En empilant les composantes réelle, imaginaire et d’amplitude, le modèle capture la structure complète de corrélation spatiale de l’environnement. Les résultats sont probants. FSA-Net maintient une erreur quadratique moyenne inférieure au degré sur un large spectre de rapports signal sur bruit. Les méthodes subspace classiques peinent souvent dans des conditions de faible rapport signal sur bruit, mais cette approche basée sur le deep learning reste stable. La précision du comptage des sources atteint des niveaux quasi parfaits. Elle identifie le bon nombre de sources actives avec plus de 97 % de fiabilité même à -15 dB.

L’efficacité est un autre atout majeur de cette architecture. Avec seulement 4,439 millions de paramètres et une faible consommation en opérations en virgule flottante par seconde, FSA-Net propose une solution compacte idéale pour les appareils aux ressources limitées. Bien que la version actuelle soit limitée à trois sources simultanées, elle établit un standard élevé pour les tâches d’estimation conjointe. Les chercheurs envisagent déjà d’étendre cette capacité aux mesures quantifiées et aux sources cohérentes. Ces avancées promettent un beamforming plus robuste pour les surfaces intelligentes reconfigurables de nouvelle génération et les tableaux distribués modulés dans le temps.