⚡ electrical engineering

Towards Networked One Search Agent Systems: Multilateration of WiFi Fine Time Measurement Responders Using GNSS References

Cet article présente un système de preuve de concept qui permet à un véhicule aérien non habité de localiser des points d'accès WiFi au sol en temps réel en combinant la mesure de temps précis IEEE 802.11mc avec une trilatération référencée par GNSS, atteignant une précision horizontale de moins de 5 mètres pour les cibles en visibilité directe dans un terrain montagneux difficile.

Auteurs originaux : Juan Bravo-Arrabal, Javier Serón-Barba, Carlos Simón Álvarez-Merino, J. J. Fernández-Lozano, Alfonso García-Cerezo, Anders Lyhne Christensen

Publié 2026-06-02

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Juan Bravo-Arrabal, Javier Serón-Barba, Carlos Simón Álvarez-Merino, J. J. Fernández-Lozano, Alfonso García-Cerezo, Anders Lyhne Christensen

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un drone de recherche et de sauvetage survolant un paysage montagneux accidenté. Sa mission est de retrouver un randonneur égaré. Mais le randonneur ne tient pas de balise de haute technologie ; il transporte simplement un smartphone standard ou un routeur WiFi courant. Le travail du drone est de déterminer exactement où se trouve cet appareil, même s'il est caché derrière des buissons ou des rochers.

Ce document décrit un système de « preuve de concept » qui transforme un drone ordinaire en un détective super intelligent en utilisant uniquement le WiFi et le GPS.

Voici comment le système fonctionne, décomposé en concepts simples :

1. Le jeu du « Ping » (L'idée centrale)

Habituellement, pour trouver quelque chose avec le WiFi, on regarde simplement la force du signal (comme le volume d'une station de radio). Mais la force du signal est trompeuse ; un mur peut rendre un signal faible même si vous êtes proche.

Au lieu de cela, ce système utilise une fonctionnalité spéciale intégrée aux WiFi modernes appelée Fine Time Measurement (FTM). Voyez cela comme une partie de « ping-pong » avec le temps.

Le drone (l'« initiateur ») envoie un signal à l'appareil au sol (le « répondant »).
L'appareil au sol le renvoie immédiatement.
Le drone mesure exactement combien de temps ce trajet aller-retour a duré.
Puisque la lumière voyage à une vitesse connue, le drone peut calculer la distance exacte : Temps = Distance.

2. L'ancre mobile (Le tour de force du GPS)

C'est ici que réside l'astuce. Habituellement, pour trianguler une position, on a besoin de trois tours fixes. Mais ce drone est en mouvement !

Le drone est équipé d'un récepteur GPS de haute précision.
Chaque fois que le drone effectue un « ping » vers l'appareil au sol, il sait exactement où il se trouvait à ce moment précis.
Imaginez le drone volant en cercle autour de l'appareil caché. Chaque fois qu'il effectue un ping, il laisse une « ancre virtuelle » dans les airs à son emplacement GPS actuel.
Après des dizages de pings sous différents angles, le système dispose d'un nuage d'ancres virtuelles. Il utilise ensuite les mathématiques pour trouver l'endroit unique au sol où toutes ces lignes de distance se croisent. C'est ce qu'on appelle la multilatération.

3. Le « Filtre Intelligent » (Nettoyer le désordre)

Dans le monde réel, les choses ne sont pas parfaites. Le signal peut rebondir sur un arbre (trajet multiple/multipath), ou le GPS peut osciller un peu. Le système utilise un « filtre intelligent » (un cerveau mathématique) pour nettoyer les données :

Le Videur : Il élimine les points de données aberrants évidents (outliers) qui n'ont pas de sens, comme une mesure indiquant que l'appareil est à 100 mètres alors qu'il était à 10 mètres une seconde auparavant.
Le Système de Pondération : Il sait qu'un signal provenant d'une distance lointaine ou à travers un mur est moins fiable, il accorde donc à ces mesures moins de « poids » dans le calcul final.
Le Suivi du Biais : Il remarque si l'horloge du drone est légèrement décalée et la corrige à la volée.

4. Les Résultats : Ce qui a fonctionné et ce qui n'a pas fonctionné

Les chercheurs ont testé cela sur un campus universitaire avec trois « victimes » différentes (routeurs WiFi) :

Le Champ Ouvert (Ligne de vue directe) : Lorsque le routeur était à découvert, le système a parfaitement fonctionné. Après avoir volé autour pendant un certain temps, le drone a localisé le routeur avec une erreur d'environ 4,4 mètres (environ la longueur d'une voiture). Si le drone volait très près à la fin, l'erreur tombait à seulement 1,1 mètre.
Les Buissons (Obstruction modérée) : Lorsque le routeur était caché sous une végétation épaisse, le système a eu du mal. Le signal était trop faible et la géométrie (les angles de vol du drone) n'était pas tout à fait correcte. Le système n'a pas pu se verrouiller en temps réel, bien qu'un ordinateur ait pu trouver une position approximative (environ 7 mètres d'écart) en analysant les données plus tard.
Le Bloc de Béton (Obstruction sévère) : Lorsque le routeur était enterré sous du béton et des buissons, le signal était totalement bloqué. Le système n'a rien trouvé.

5. Pourquoi cela importe

Le document soutient que ceci est une brique élémentaire pour un futur où plusieurs drones travaillent ensemble.

Pas besoin d'équipement spécial : Les « victimes » n'ont pas besoin de transporter un équipement spécifique ; un routeur WiFi ou un téléphone standard suffit.
Un agent, plusieurs tâches : Le drone agit à la fois comme capteur, récepteur GPS, ordinateur et passerelle internet.
Recherche en réseau : L'objectif ultime est d'avoir une équipe de ces drones communiquant entre eux (via un système appelé ROS 2) pour partager ce qu'ils voient, créant ainsi une équipe de recherche en réseau.

En résumé : Ce document démontre qu'un drone avec un smartphone et un GPS peut agir comme un radar de haute technologie, utilisant des signaux WiFi standards pour trouver des appareils cachés au sol. Cela fonctionne très bien dans les zones dégagées, rencontre des difficultés dans les buissons épais, et échoue complètement si le signal est totalement bloqué, mais cela prouve que nous n'avons pas besoin de matériel coûteux et personnalisé pour effectuer ce genre de recherche.

Résumé Technique : Vers des systèmes d'agents de recherche uniques en réseau

Énoncé du problème
La localisation précise d'émetteurs sans fil stationnaires est critique pour les applications robotiques telles que la recherche et le sauvetage (SAR) et la cartographie d'infrastructures. Bien que les systèmes de navigation par satellite (GNSS) soient la norme, ils se dégradent dans les environnements complexes. Les solutions existantes reposent souvent sur le profilage par force de signal (nécessitant un étalonnage préalable) ou sur des technologies de télémétrie dédiées comme l'Ultra-Wideband (UWB), qui exigent une infrastructure conçue à cet effet. Le protocole IEEE 802.11mc Fine Time Measurement (FTM) offre un compromis, fournissant des estimations de distance de l'ordre du mètre grâce à du matériel Wi-Fi standard sans nécessiter de synchronisation d'horloge. Cependant, l'exploitation du FTM pour la localisation en extérieur de points d'accès (AP) terrestres à partir d'un véhicule aérien sans pilote (UAV) présente des défis : le système doit effectuer une multilateration en temps réel avec une ligne de base mobile (l'UAV) tout en gérant le bruit de mesure, les conditions de non-ligne de visée (NLoS) et les ressources de calcul limitées sur le dispositif de bord.

Méthodologie
Les auteurs proposent un système de preuve de concept où un UAV agit comme initiateur FTM et récepteur GNSS, localisant des points d'accès Wi-Fi terrestres agissant comme répondants FTM. L'architecture centrale inverse les modèles précédents : au lieu que la victime porte un smartphone, l'agent de recherche (UAV) porte la puissance de calcul, tandis que la cible porte un point d'accès simple et passif.

Plateforme matérielle : Le système utilise un UAV DJI Matrice 350 RTK transportant un smartphone Google Pixel 7 Pro et un récepteur GNSS multibande u-blox ZED-F9P. Le smartphone exécute une application Android personnalisée qui interface l'API Wi-Fi RTT et le récepteur GNSS.
Pipeline de localisation : Le système traite la trajectoire de vol comme un problème de multilateration temporelle. Le pipeline comprend :
1. Association de données : Synchronisation des horodatages de télémétrie FTM avec les positions GNSS à l'aide d'une horloge monotone, avec une fenêtre d'association de 1,2 seconde.
2. Filtrage des valeurs aberrantes (Outlier Gating) : Un filtre de déviation absolue de la médiane (MAD) par fenêtre glissante rejette les valeurs aberrantes grossières tout en préservant les mesures valides en ligne de visée (LoS).
3. Initialisation : Un bootstrap Gauss-Newton en deux étapes calcule une estimation de position 3D initiale une fois qu'une dispersion géométrique suffisante est atteinte.
4. Filtrage séquentiel : Le système emploie un filtre de Kalman étendu itéré (IEKF) avec suivi de biais ou un filtre de Kalman non séquentiel (UKF). Le vecteur d'état comprend la position de l'AP $(x, y, z)$ et un biais de distance résiduel.
5. Modélisation du bruit : Six configurations distinctes de bruit de mesure ont été évaluées, allant d'un modèle de base constant à des modèles adaptatifs qui ajustent la variance en fonction de la distance, de l'indicateur de force du signal reçu (RSSI) et de la détection NLoS (en utilisant l'asymétrie de la fenêtre de distance et la cohérence du RSSI).
Contraintes : Le système fonctionne de manière autonome sans connectivité réseau, enregistrant les données dans des fichiers JSONL, bien qu'il supporte ROS 2 pour la fusion multi-agents lorsqu'une liaison est disponible.

Contributions clés

Pipeline d'estimation en temps réel : Un pipeline complet s'exécutant sur un smartphone standard, intégrant la télémétrie, le positionnement et l'estimation (IEKF/UKF) avec suivi de biais et filtrage des valeurs aberrantes.
Analyse des configurations de bruit : Une évaluation comparative de six modèles de bruit de mesure, démontrant comment le pondération dépendante de la distance et du RSSI préserve la diversité des mesures et permet des corrections tardives lors des passages rapprochés.
Validation sur le terrain : Test de preuve de concept dans un terrain montagneux non structuré avec trois AP sous diverses conditions de dissimulation : LoS, NLoS modéré (végétation) et NLoS sévère (végétation + débris).
Intégration d'architecture en réseau : Démonstration préliminaire d'interopérabilité logicielle, montrant que des agents hétérogènes (UAV et sol) peuvent partager des observations FTM via ROS 2, servant de bloc de construction pour des systèmes d'« Agent de Recherche Unique en Réseau » (Networked One Search Agent - OSA).

Résultats
Des expériences ont été menées à l'Université de Málaga avec trois AP.

Performance LoS (AP_1F) : Pour un AP avec 455 mesures de télémétrie :
- Le pipeline en temps réel en ligne (mode BASELINE) a atteint une erreur horizontale finale de 4,4 m et une erreur 3D de 5,5 m.
- Une relecture hors ligne utilisant le modèle de bruit EMPIRICAL-R (dépendant de la distance et du RSSI) a obtenu une erreur horizontale moyenne pondérée par le temps (TWM) de 4,7 m.
- Avec le meilleur modèle de bruit, un passage rapproché a permis au système d'affiner l'estimation pour atteindre une erreur horizontale finale de 1,1 m.
- Le modèle ADAPTIVE-R a obtenu l'incertitude interne la plus faible ( $\sigma_H = 1,0$ m) mais une erreur finale de 4,3 m.
Performance NLoS :
- NLoS modéré (AP_AB) : Le système n'a pas réussi à converger en temps réel en raison de mesures éparses (31 au total), de l'atténuation du signal et d'une géométrie quasi colinéaire (nombre de condition $\kappa = 28,5$ ). Cependant, un solveur de moindres carrés robuste hors ligne a permis de récupérer une solution grossière avec environ 7 m d'erreur horizontale.
- NLoS sévère (AP_AA) : L'AP, bloqué par la végétation et des débris de béton, n'a produit aucune réponse FTM.
Confiance du filtre : Les auteurs notent que la covariance interne du filtre ( $\sigma_H$ ) sous-estime considérablement l'erreur absolue réelle (ex: $\sigma_H \approx 1,1$ m contre une erreur réelle $\approx 4,4$ m). Cela est attribué à des erreurs corrélées non modélisées dans les poses de l'initiateur référencées par GNSS, le système n'incluant pas de terme de covariance GNSS distinct dans les modèles de comparaison.

Signification et Revendications
L'article positionne ce travail comme une avancée architecturale pour les systèmes OSA en réseau plutôt que comme une revendication de supériorité de précision par rapport aux jeux de données précédents. En inversant l'architecture de localisation — en plaçant la charge de calcul sur l'agent de recherche et en ne requérant qu'un répondant simple compatible FTM sur la cible — le système élimine le besoin de logiciel côté victime.

Les auteurs soulignent que le système est un bloc de construction pour de futurs réseaux multi-agents. Bien que le pipeline à agent unique démontre une performance de l'ordre du mètre en LoS, l'article reconnaît modestement que le fonctionnement en NLoS reste un défi majeur dû à la géométrie et au blocage du signal. Le résultat de 1,1 m est caractérisé comme un « résultat favorable lors d'un passage rapproché », dépendant d'une géométrie de vol spécifique, et non comme une limite garantie du système. Les travaux futurs sont orientés vers la fusion au niveau du réseau, la planification de trajectoires de vol améliorée (ex: hélicoïdale ou en grille) pour optimiser la condition de multilateration, et le développement de solveurs robustes amortis pour les géométries dégénérées.

1. Le jeu du « Ping » (L'idée centrale)

2. L'ancre mobile (Le tour de force du GPS)

3. Le « Filtre Intelligent » (Nettoyer le désordre)

4. Les Résultats : Ce qui a fonctionné et ce qui n'a pas fonctionné

5. Pourquoi cela importe

Articles similaires