3D Gaussian Distribution and RGB Reconstruction (3D Gaussian-RGB) based GNSS Multipath Detection — Part I: Derivation and Analysis of the 3D Gaussian ellipsoid Modelling

Résumé technique : Distribution Gaussienne 3D et reconstruction RGB (3D Gaussian-RGB) pour la détection de trajets multiples GNSS — Partie I : Dérivation et analyse de la modélisation de l'ellipsoïde gaussien 3D

Énoncé du problème
Les systèmes de navigation par satellite (GNSS) sont confrontés à des défis importants en matière de précision et de robustesse du positionnement dans des environnements complexes, tels que les canyons urbains, en raison des effets de trajets multiples (multipath). Bien que les méthodes de détection existantes utilisent des caractéristiques dans le domaine de la mesure (ex. : pseudodistance, C/N0) ou des distorsions dans le domaine de la corrélation, elles souffrent souvent de limitations. Les approches dans le domaine de la mesure peuvent masquer les distorsions originales du signal en raison du filtrage et des processus d'estimation du récepteur. Inversement, les méthodes existantes dans le domaine de la corrélation reposent fréquemment sur des corrélateurs à haute résolution ou ne parvèrent pas à explorer suffisamment les relations non linéaires et les connexions intrinsèques entre les paramètres de trajet multiple et les paramètres de corrélation. Il est nécessaire d'un modèle théorique qui équilibre la capacité de détection avec la complexité computationnelle tout en tenant compte des dépendances statistiques entre les sorties des corrélateurs Early (E), Prompt (P) et Late (L).

Méthodologie
Cette étude propose un modèle de corrélation théorique basé sur l'analyse statistique des valeurs de corrélation E, P et L de la branche en quadrature (Q) des signaux GNSS. La branche Q est choisie car elle est plus sensible aux distorsions de code et de phase induites par les trajets multiples que la branche en phase (I), particulièrement lorsque la boucle de poursuite est verrouillée.

La méthodnement procède selon les étapes suivantes :

1. Modélisation du signal : Des modèles mathématiques sont établis pour les signaux LOS (Ligne de vue), NLOS (Non-Ligne de vue) et de trajets multiples. Le signal de trajet multiple est modélisé comme une synthèse des composantes LOS et NLOS, introduisant des paramètres pour le retard relatif ($\delta\tau_N$), l'atténuation ($\alpha$), le décalage Doppler et la rotation de phase ($\delta\phi_N$).
2. Normalisation et linéarisation : Les valeurs de corrélation E/P/L dans la branche Q sont normalisées par rapport à la sortie du corrélateur Prompt pour atténuer les incohérences de force du signal variables dans le temps. Une expansion de Taylor multivariée du premier ordre est appliquée pour linéariser ces valeurs autour du vecteur de bruit, en supposant que le bruit est faible par rapport à la force du signal.
3. Distribution Gaussienne 3D jointe : Il est démontré que les valeurs E/P/L linéarisées suivent une distribution gaussienne 3D jointe. Le vecteur moyenne ($\mu_R$) et la matrice de covariance ($\Sigma_R$) sont dérivés, en tenant compte de la cohérence du bruit (via la décomposition de Cholesky) et de la gigue de phase propagée à travers la boucle de poursuite.
4. Modélisation de l'ellipsoïde d'équiprobabilité : La distribution jointe est représentée géométriquement sous la forme d'un ellipsoïde d'équiprobabilité 3D. La décomposition spectrale de la matrice de covariance fournit une base orthogonale pour l'ellipsoïde. Le modèle caractérise les conditions du signal à travers trois transformations géométriques :
   • Translation : Régie par le vecteur moyenne $\mu_R$, affectant principalement les signaux de trajets multiples en raison des différences de phase et de retard.
   • Mise à l'échelle (Scaling) : Déterminée par les valeurs propres de la matrice de covariance, influencée par la variance du bruit et l'amplitude du signal (C/N0).
   • Rotation : Définie par les vecteurs propres de la matrice de covariance, dépendant de l'espacement des corrélateurs Early-Late ($\Delta$).
5. Dérivation du seuil de détection : En utilisant le critère de Neyman-Pearson (NP), une frontière de détection est dérivée. Le problème de test d'hypothèse consiste à distinguer le LOS (Hypothèse nulle $H_0$) du trajet multiple (Hypothèse alternative $H_1$). Le seuil de détection $\gamma$ correspond à la frontière de l'ellipsoïde d'équiprobabilité pour une probabilité de fausse alarme ($P_{fa}$) spécifiée.

Principales contributions
Le document présente quatre contributions principales :

1. Dérivation de la distribution Gaussienne 3D jointe : Les auteurs dérivent la distribution gaussienne 3D jointe des valeurs E-P-L, en tenant explicitement compte de l'interdépendance entre ces valeurs au sein d'une même fonction d'autocorrélation (ACF).
2. Modèle d'ellipsoïde d'équiprobabilité : Un modèle d'ellipsoïde est établi où les propriétés géométriques (translation, mise à l'échelle, rotation) sont liées analytiquement aux paramètres de trajet multiple. Cela permet de quantifier comment les paramètres de trajet multiple (délai, atténuation, phase) déforment la distribution statistique.
3. Seuil de détection théorique : Un seuil de détection est dérivé à l'aide du critère NP, utilisant l'ellipsoïde d'équiprobabilité comme frontière de décision. Cela fournit une base théorique pour quantifier la probabilité de détection ($P_d$) sous diverses conditions de trajets multiples.
4. Validation par simulation : Les modèles théoriques sont validés par des simulations de Monte Carlo, démontrant l'efficacité des modèles gausiens 3D pour la détection de trajets multiples.

Résultats
Les résultats de simulation utilisant un modèle semi-analytique confirment les déductions théoriques :

• Gaussianité : Pour des forces de signal (C/N0) supérieures à 30 dB-Hz, les valeurs de corrélation E-P-L simulées présentent une forte gaussianité, s'alignant étroitement avec la distribution jointe théorique. En dessous de ce seuil, des écarts apparaissent, particulièrement dans les scénarios de trajets multiples, en raison de l'influence non négligeable des termes de bruit d'ordre supérieur.
• Cohérence géométrique : Les ellipsoïdes d'équiprobabilité simulés s'alignent bien avec les modèles théoriques pour un C/N0 > 30 dB-Hz. Spécifiquement, les signaux de trajets multiples présentent un effet de translation distinct le long des axes X et Z, tandis que les signaux LOS et NLOS présentent une translation négligeable. Les propriétés de mise à l'échelle et de rotation restent cohérentes entre les types de signaux lorsque le C/N0 est fixé, car elles sont principalement déterminées par l'espacement des corrélateurs.
• Performance de détection : L'analyse de la courbe ROC montre que la performance de détection s'améliore avec un C/N0 plus élevé et une atténuation d'énergie ($\alpha$) plus faible. La performance est non monotone par rapport au retard de code relatif ($\delta\tau_N$) et à la rotation de phase ($\delta\phi_N$), atteignant un pic à des valeurs intermédiaires (environ 0,6 chip et 0,6$\pi$, respectivement). La méthode présente des zones aveugles de détection pour les signaux de trajets multiples avec des délais extrêmement courts/longs ou des phases proches de 0 ou $\pi$.
• Précision du seuil : Le seuil de détection théorique $\gamma$ correspond étroitement aux résultats simulés lorsque le C/N0 > 30 dB-Hz. Les écarts augmentent à des intensités de signal plus faibles en raison de la dégradation de la gaussianité de la distribution.

Signification et affirmations
Le document affirme que ce travail fournit le fondement statistique pour un cadre plus large de détection de trajets multiples. En établissant un modèle rigoureux d'ellipsoïde gaussien 3D, l'étude offre une méthode géométriquement interprétable pour caractériser les distorsions de signal induites par les trajets multiples. Les auteurs déclarent que ce modèle statistique sert de prérequis à la partie II de leurs recherches, où le vecteur E/P/L normalisé est projeté dans l'espace colorimétrique RVB (RGB). Le présent travail (Partie I) se concentre sur la dérivation des seuils théoriques et l'analyse des propriétés statistiques, tandis que l'article compagnon utilisera ces seuils pour interpréter les caractéristiques de couleur.

L'étude souligne que, bien que la méthode distingue efficacement les signaux LOS des trajets multiples grâce à la translation de la distribution, distinguer le LOS des signaux NLOS reste difficile sous des conditions de C/N0 similaires en raison du chevauchement des caractéristiques de mise à l'échelle des ellipsoïdes. Les auteurs maintiennent un champ d'application modeste, notant que l'hypothèse de Gauss à moyenne nulle pour le corrélateur Prompt dans les scénarios de trajets multiples est une approximation justifiée par une validation empirique dans des marges d'erreur pratiques, malgré les potentielles perturbations de synchronisation de phase dans les environnements réels.