Cet article présente une extension d’une approche plug-and-play pour le recalage de nuages de points 3D. Le problème de recalage de nuages de points 3D est formulé comme un problème inverse, et une approche plug-and-play est utilisée pour conjointement débruiter et recaler les nuages de points. Dans cet article, nous proposons d’optimiser la transformation de recalage en exploitant la structure de groupe de Lie de la transformation rigide SE(3). Des expériences menées sur des nuages de points LiDAR sont présentées mettant en évidence l’amélioration de la méthode par rapport à une méthode existante.

Cet article présente un nouvel algorithme EM (Expectation-Maximization) pour le recalage robuste de nuages de points 2D–3D issus d’une caméra et d’une carte de référence. Nous nous intéressons à l’estimation conjointe des paramètres d’intérêt (i.e., orientation et position de la caméra), de la proportion d’observations aberrantes et de la variance du bruit de mesure. L’approche proposée repose sur un modèle statistique intégrant des variables latentes permettant de gérer les associations inconnues entre points 2D, points 3D et observations aberrantes, via un modèle de mélange. Des résultats obtenus à partir de données synthétiques montrent l’intérêt de cette démarche en termes de rapidité de convergence de l’algorithme proposé et de robustesse face aux mesures aberrantes.

Les observations de phase de la porteuse dans les récepteurs GNSS permettent un positionnement au centimètre près mais sont affectées par un bruit de phase supposé qui suit une distribution de von Mises, dégradant la performance des estimateurs. Nous proposons une approche novatrice contraignant les paramètres de von Mises—localisation angulaire et dispersion—dans l’espace du groupe de Lie SO(2) × R+. Un estimateur du maximum de vraisemblance sur groupes de Lie, résolu via un algorithme de Newton, améliore la rigueur mathématique et la précision, notamment avec peu d’observations, par rapport aux méthodes euclidiennes.

Les séries temporelles d’images SAR polarimétriques Sentinel-1 (S1) sont cruciales pour analyser les changements environnementaux. La détection de la déforestation, associée à un point de changement dans une série temporelle, doit surmonter les défis liés à la saisonnalité et au caractère aléatoire de la réflectivité des environnements forestiers. Cet article propose une méthode bayésienne appliquée à des séries temporelles de données SAR, exploitant les propriétés polarimétriques partielles des mesures S1 pour une meilleure détection. Les résultats réels montrent que le modèle surpasse les modèles bivariés standards, les méthodes à polarisation unique et une méthode existante basé sur l’imagerie optique.

Un réseau IP peut être représenté sous la forme d'un graphe où les noeuds sont des routeurs et les arêtes des liens de communication IP. Ce graphe aide à analyser les interactions et les flux d'information au sein du réseau. Chaque routeur, agissant comme une file d'attente, gère le trafic avec une capacité de mémoire tampon et un débit de sortie. Lorsque le trafic entrant dépasse cette capacité, une congestion se produit, dégradant le service. Identifier ces goulots d'étranglement est crucial pour évaluer la performance du réseau. Cet article explore une méthode de partitionnement de graphe permettant de regrouper les flux partageant un goulot commun à l'aide d'un modèle probabiliste plus général que ceux de la littérature.

L’identification modale des machines tournantes constitue un enjeu majeur pour la conception industrielle, notamment dans le domaine aéronautique. Dans ce contexte, la présence d’harmoniques et la dépendance des modes au régime compliquent l’analyse des signaux. Cet article propose un modèle probabiliste original pour détecter les modes propres à partir d’une carte de détection construite sur un diagramme de Campbell. Deux variantes de l’algorithme EM sont développées : une version classique et une version à classification sous contrainte (CEM) garantissant l’unicité des affectations le long des harmoniques. Les performances sont évaluées à l’aide de données simulées et comparées à la méthode RANSAC. Les résultats montrent que l’approche proposée améliore la précision d’identification et la robustesse aux outliers.

Les satellites qui reçoivent les paquets AIS (Automatic Identification System) émis depuis des zones de trafic maritime dense subissent les effets d’une surcharge du canal AIS due au nombre élevé des navires. Les collisions entre messages AIS peuvent alors empêcher leur détection. Dans cet article, nous nous intéressons à l’amélioration du processus d’annulation successive d’interférences à partir de l’algorithme de détection élémentaire d’un message AIS. Pour cela, nous considérons la combinaison de l’algorithme de Viterbi à liste parallèle (PLVA) avec le détecteur du code CRC (contrôle de redondance cyclique) dont nous avons établi l’efficacité dans une étude précédente. L’intérêt du PLVA dans un récepteur par annulation successive d’interférences est démontré au travers des simulations avec un modèle simple mais suffisament réaliste du système AIS.

In this communication, we propose a new Bayesian framework to characterize the concentration parameter of the von Mises distribution. To achieve this, we equip this parameter with a Lie group structure. We design a Lie group (LG) estimator by incorporating prior information modeled by a Gaussian distribution on R+. This estimator is determined using a dedicated optimization algorithm on R+. The performance of this estimator is then evaluated by computing a new expression of the Bayesian Cram´er-Rao bound on the Lie group (LG-BCRB) R+. The consistency between the proposed estimator and the LGBCRB is validated through numerical simulations by comparing it with the Bayesian Mean Squared Error.

Routing in nanosatellites swarms presents distinct challenges, including variable node availability, constrained bandwidth, and dynamic topology. Strategies like delay-tolerant networking (DTN) can be advantageous, as they adapt to intermittent connectivity by storing and forwarding data when connections are established. Moreover, geographic routing protocols that exploit satellite positions can improve efficiency, while machine learning approaches may optimize routing decisions based on changing network conditions. What about hybrid approaches that may combine some of these methods? Basically, the crucial question is where to begin. The primary challenge for nanosatellites network designers is to determine which routing strategies to test prior to deployment. Given the vast number of existing routing protocols, testing all of them is not possible. This problem motivates the present study, which share the authors' experiences on selecting the most suitable routing algorithms for a given nanosatellites swarm. In particular, the study reports how the use of graph theory metrics helps in restricting the set of routing algorithms to be considered for network characterization and protocol selection.

High resolution spectrometers are composed of different optical elements and detectors that must be modeled as accurately as possible. Specifically, accurate estimates of Instrument Spectral Response Functions (ISRFs) are critical in order not to compromise the retrieval of trace gas concentrations from spectral measurements. Currently, parametric models are used to estimate these response functions. However, these models cannot always take into account the diversity of ISRF shapes that are encountered in practical applications. This paper studies a new ISRF estimation method based on a sparse representation of the ISRF in a dictionary. The proposed method is shown to be very competitive when compared to parametric models, yielding up to one order of magnitude smaller normalized ISRF estimation errors. The method is applied to different high-resolution spectrometers, demonstrating its reproducibility for multiple remote sensing missions.