Localisation des humains en présence d'artéfacts environnementaux à l'aide du radar FMCW

Les systèmes de localisation intérieure destinés à la surveillance des personnes âgées doivent allier précision, respect de la vie privée et robustesse face aux artefacts. Ils assurent une détection fiable des chutes et des situations d’urgence pour des individus souvent isolés. Les dispositifs portables, comme les montres connectées, préservent la confidentialité mais souffrent de faux positifs et d’une faible adoption par les utilisateurs, en particulier ceux présentant des troubles neuro-cognitifs qui limitent leur capacité à utiliser ces technologies de manière fiable. Les systèmes de surveillance par caméras portent atteinte à la vie privée et échouent en cas d’occultation. Le radar à onde continue modulée en fréquence (FMCW) constitue une alternative intéressante, car il préserve l’anonymat des personnes. Toutefois, les approches radar traditionnelles s’appuient sur un prétraitement manuel (transformées de Fourier, filtre des signaux, la formation de faisceaux) qui écarte les informations de phase subtiles et peine à distinguer les mouvements humains des interférences dues au mobilier ou aux appareils électroménagers dans des environnements intérieurs complexes. Ce travail présente la première étape d’un projet de surveillance respectueuse de la vie privée pour les personnes âgées, en proposant un cadre d’apprentissage profond dédié à la localisation d’individus en intérieur. En traitant directement les signaux bruts du radar, notre méthode préserve à la fois l’amplitude et la phase : l’amplitude permet de repérer l’énergie renvoyée, la phase encode les changements de position. L’élément central de notre approche est un encodeur double branche Phase-Amplitude, qui sépare et exploite ces deux types d’informations pour capturer les signatures micro-Doppler des mouvements humains et les décalages de phase dus aux déplacements. Ces représentations sont ensuite affinées par un encodeur Transformer appliqué à chaque antenne, apprenant les dépendances spatio-temporelles pour surmonter les occlusions et les réflexions parasites, assurant une localisation robuste dans un environnement clos réaliste, sans compromettre l’anonymat des utilisateurs. En traitant la localisation comme une régression sur une carte de chaleur plutôt que comme une détection de pics par seuil, notre système assure une surveillance continue et confidentielle sans caméras ni dispositifs portables. Validé avec des données expérimentales dans deux locaux différents, l’approche proposée permet d’atteindre une erreur absolue moyenne de distance de 0,76 m et une erreur angulaire de 4,2 ° pour un individu dans son meilleur des cas, soit une amélioration de 45 % par rapport aux radars conventionnels.

Abstract

Indoor localization systems for monitoring elderly people must balance accuracy, privacy, and robustness against artifacts. They provide reliable fall and emergency detection for individuals who often live alone. Wearable devices such as smartwatches protect privacy, but suffer from false positives and low user adoption, especially among those with neuro-cognitive impairments that limit their ability to use these technologies reliably. Camera-based monitoring systems invade privacy and fail when sightlines are blocked. Frequency- Modulated Continuous-Wave (FMCW) radar offers an attractive alternative because it preserves user anonymity. However, traditional radar methods rely on manual preprocessing, including Fourier transforms, signal filtering, and beamforming, which discards subtle phase information and struggles to distinguish human motion from clutter caused by furniture or appliances in complex indoor environments. This work marks the first step toward a privacy-preserving monitoring solution for elderly care by introducing a deep-learning framework for indoor localization. By operating directly on raw radar signals, our method retains both amplitude, which captures returned signal strength, and phase, which encodes positional changes. At its core lies a dual-branch Phase- Amplitude encoder that separates and leverages these two information streams to detect micro-Doppler signatures of human movement and phase shifts linked to displacement. A per-antenna Transformer encoder then refines these representations, learning spatio-temporal dependencies to overcome occlusions and multipath reflections, ensuring robust localization in realistic, enclosed settings without compromising anonymity. By formulating localization as a heatmap regression task rather than threshold-based peak detection, our system delivers continuous, confidential monitoring without cameras or wearables. Validated with experimental data in two different rooms, the proposed approach achieves a best-case mean absolute distance error of 0.76 m and an angular error of 4.2 °, representing a 45 % improvement over conventional radar methods.