State estimation techniques appear in a plethora of engineering fields. Both standard Kalman filter (KF) and its nonlinear extensions, as well as particle filters, consider a known system model (i.e., functions and noise statistics), an assumption which may not hold in practice. A problem of particular interest is how to deal with outliers in the observation model. A possible solution is to resort to the framework of robust statistics, where a robust score function is used to mitigate the impact of outlying measurements, leading to robust M-type KFs. In this contribution, some of these robust filtering results are extended to the case where states may live on a manifold (unit norm quaternion), and propose robust iterated error-state M-type KF solutions. An illustrative example is provided to show the performance of the proposed filter and support the discussion.

Cet article présente un nouvel algorithme de recalage d’images par résonance magnétique (IRM) 3D et d’images échographiques (US) 2D. Le recalage prend en compte une transformation rigide globale caractérisée par des paramètres de rotation et de translation qui est associée à une déformation locale basée sur des fonctions B-splines. Un algorithme de fusion 2D-2D US-IRM est ensuite appliqué pour générer l’image finale qui contient les principales caractéristiques des deux images d’origine. La performance de la méthode de recalage est analysée au moyen de tests quantitatifs et qualitatifs effectués sur un ensemble de données réelles, avec une attention particulière au traitement de l’endométriose.

Dans cette communication, nous dérivons une nouvelle borne de Cramér-Rao intrinsèque pour paramètres et observations vivant sur groupes de Lie. L'expression est obtenue en utilisant les propriétés inhérentes à leur structure. De plus, une expression exacte est obtenue dans le cas où paramètres et observations sont sur SO(2), le groupe de Lie des matrices de rotations en 2D. La borne proposée est alors validée numériquement pour un modèle gaussien définie sur le groupe de Lie SO(2).

La détection d’anomalies dans le domaine de la surveillance maritime est un enjeu majeur pour la sécurité des navires et des nations. De nombreux algorithmes de détection d’anomalies sont disponibles dans la littérature mais ils ne sont pas tous adaptés à l’analyse de séries temporelles comme les trajectoires de navires, en particulier lorsque ces trajectoires n’ont pas la même longueur. Cet article présente une manière d’adapter l’algorithme One-Class SVM à la détection d’anomalies dans des séries temporelles associées à des trajectoires de navires à l’aide d’un noyau basé sur une mesure de similarité de type “dynamic time warping”.

Les solutions basées sur l’apprentissage automatique pour la démodulation et le décodage de canal ont gagné en popularité ces dernières années en raison de leur capacité à traiter de gros volumes de données, de leur faible latence et de leur robustesse face aux erreurs de modèle. Dans ce contexte, des travaux antérieurs ont appliqué les Machines à Vecteurs de Support (SVM) au problème de décodage, produisant des résultats favorables pour les codes très courts. Dans ce travail, nous introduisons une approche nouvelle, bit-par-bit, qui réduit considérablement la complexité du décodeur basé sur les SVM, ainsi que la taille de l’ensemble de données d’entraînement. Enfin, nous analysons la complexité de notre système et montrons que les décodeurs basés sur les SVM restent des solutions hautement complexes qui ne sont pas encore applicables aux longueurs de codes plus grandes.

Différents spectromètres ou imageurs hyperspectraux sont utilisés afin de déterminer la concentration de certains gaz au niveau de l’atmosphère. La détermination de la réponse spectrale de ces instruments est un problème important car une connaissance imparfaite peut induire des erreurs dans les concentrations de gaz obtenues. Dans cet article, nous proposons une nouvelle méthode d’estimation de la réponse spectrale d’un spectromètre basée sur un algorithme de type Orthogonal Matching Pursuit (OMP) qui permet de décomposer cette réponse dans un dictionnaire de fonctions de base de manière parcimonieuse.

We define a novel core network router scheduling architecture called priority switching scheduler (PSS), to carry and isolate time constrained and elastic traffic flows from best-effort traffic. To date, one possible solution has been to implement a core DiffServ network with standard fair queuing and scheduling mechanisms as proposed in the well-known “A Differentiated Services Code Point (DSCP) for Capacity-Admitted Traffic” from RFC5865. This architecture is one of the most selected solutions by internet service provider for access networks (e.g., customer-premises equipment) and deployed within several performance-enhancing proxies (PEPs) over satellite communications (SATCOM) architectures. In this study, we argue that the proposed standard implementation does not allow to efficiently quantify the reserved capacity for the AF class. By using a novel credit-based shaper mechanism called burst limiting shaper (BLS) to manage the AF class, we show that PSS can provide the same isolation for the time constrained EF class while better quantifying the part allocated to the AF class. PSS operates both when the output link capacity is fixed (e.g., wire links and terrestrial networks) or might vary due to system impairments or weather condition (e.g., wireless or satellite links). We demonstrate the capability of PSS through an emulated SATCOM scenario with variable capacity and show the AF output rate is less dependent on the EF traffic, which improves the quantification of the reserved capacity of AF, without impacting EF traffic.

Global navigation satellite systems (GNSS) are a key player in a plethora of applications, ranging from navigation and timing, to Earth observation or space weather characterization. For navigation purposes, interference scenarios are among the most challenging operation conditions, which clearly impact the maximum likelihood estimates (MLE) of the signal synchronization parameters. While several interference mitigation techniques exist, a theoretical analysis on the GNSS MLE performance degradation under interference, being fundamental for system/receiver design, is a missing tool. The main goal of this contribution is to provide such analysis, by deriving closed-form expressions of the misspecified Cramér-Rao (MCRB) bound and estimation bias, for a generic GNSS signal corrupted by an interference. The proposed bias and MCRB expressions are validated for a linear frequency modulation chirp signal interference.

Low-frequency radio interferometry is crucial to understanding the universe and its very early days. Unfortunately, most of the current instruments are ground-based and thus impacted by the interferences massively produced by the Earth. To alleviate this issue, scientific missions aim at using Moonorbiting nano-satellite swarms as distributed radio-telescopes in outer space, keeping them out of Earth interference range. However, swarms of nano-satellites are systems with complex dynamics and need to be appropriately characterized to achieve their scientific mission. This paper presents a methodology based on graph theory for characterizing the swarm network system by computing graph theory metrics around three properties: the node density, network connectivity and ISL availability. We show that these properties are well-suited for highlighting a possible heterogeneity in a network and adapt a routing strategy accordingly. This work is the first milestone in defining the best-suited routing strategy within the swarm from the derived network properties.