Les progrès fulgurants de l’apprentissage statistique accomplis au cours de la dernière décennie nourrissent les anticipations les plus folles sur la capacité de la machine à reproduire le comportement humain.
Le Laboratoire Intelligence Artificielle conçoit des solutions pour répondre aux problématiques des futurs réseaux de télécommunication, de la vision par ordinateur, de la cyberdéfense et de la e-Santé. La conception d’applications de radiocommunication et d’imagerie embarquées, la détection ou classification d’anomalies, la résilience des systèmes, la gestion des facteurs humains, la prédiction des pathologies et la fiabilisation du diagnostic sont les principaux défis traités. Pour cela, il s’appuie sur les disciplines traditionnelles du traitement automatique du langage, du signal et de l’image, de la vision 3D et de la programmation dynamique dont le potentiel est démultiplié par l’apprentissage statistique. Il peut également compter sur des compétences en ingénierie matérielle/logicielle et une cellule juridique. Son approche méthodologique rend ses algorithmes explicables et robustes de manière à faciliter leur certification.
Grâce aux techniques d’apprentissage actuelles, nous automatisons des tâches aussi variées que l’interprétation de texte, la cartographie de l’espace, la génération d’images réalistes, la prédiction de comportements ou la planification d’actions.
20.12.2022
Channel charting based beamforming
Channel charting (CC) is an unsupervised learning method allowing to locate users relative to each other without reference. From a broader perspective, it can be viewed as a way to discover a low-dimensional latent space charting the channel manifold. In this paper, this latent modeling vision is leveraged together with a recently proposed location-based beamforming (LBB) method to show that…
lire la publication
09.12.2021
mpNet: variable depth unfolded neural network for massive MIMO channel estimation
Massive multiple-input multiple-output (MIMO) communication systems have a huge potential both in terms of data rate and energy efficiency, although channel estimation becomes challenging for a large number of antennas. Using a physical model allows to ease the problem by injecting a priori information based on the physics of propagation. However, such a model rests on simplifying assumptions and…
lire la publication
27.12.2021
DEEP LEARNING FOR LOCATION BASED BEAMFORMING WITH NLOS CHANNELS
Massive MIMO systems are highly efficient but critically rely on accurate channel state information (CSI) at the base station in order to determine appropriate precoders. CSI acquisition requires sending pilot symbols which induce an important overhead. In this paper, a method whose objective is to determine an appropriate precoder from the knowledge of the user's location only is proposed. Such…
lire la publication
19.07.2021
Probabilistic record linkage is a process of combining data from different sources, when such data refer to common entities and identifying information is not available. Fellegi and Sunter proposed a probabilistic record linkage framework that takes into account multiple non-identifying information, but is limited to simple binary comparison between matching variables. In our work, we propose an…
lire la publication
