De nombreuses applications de communication numériques font face à des canaux de transmission sélectifs en temps et en fréquence que nous pouvons assimiler à des systèmes linéaires variants dans le temps. À travers ces travaux de thèse, nous montrons que les modulations multiporteuses suréchantillonnées constituent une technique de transmission adaptée à ce type d'environnement. Cependant, la complexité algorithmique des émetteurs-récepteurs présentent un frein majeur à leur adoption. Fort de ce constat, nous nous intéressons à la sous-famille des modulations multiporteuses suréchantillonnées à filtres courts (WCP-OFDM), dont la complexité algorithmique est comparable à celle de l'OFDM avec préfixe cyclique. Après avoir exprimé les conditions de reconstructions parfaites, nous développons des égaliseurs de faible complexité et étudions la problématique du rapport de puissance crête sur puissance moyenne du signal en sortie d'émetteur. Enfin, nous analysons les performances de ces modulations à travers plusieurs scénarios de propagation radiomobiles. Les résultats de simulation confirment l'intérêt du WCP-OFDM, associé à des filtres prototypes bien localisés en temps et en fréquence pour faire face aux canaux doublement sélectifs. / Many digital communication applications are facing time and frequency selective channels that can be modelled by linear time-variant systems. Through this thesis work, we show that oversampled multicarrier modulations provide a suitable transmission technique for such an environment. However, the complexity of the transmitter-receiver remains a major obstacle for their adoption. Based on this observation, we focus on the sub-family of oversampled multicarrier modulation with short filters (WCP-OFDM), whose complexity is similar to cylic prefix OFDM. After introducing the perfect reconstruction conditions, we develop low-complexity equalizers and we study the peak-to-average power ratio issue at the output of the transmitter. Finally, we evaluate the performances of these moduations over several mobile radio propagation scenarios. Simulation results confirm the benefits of WCP-OFDM, with time-frequency localized prototypes filters, over doubly selective channels.

La localisation et cartographie simultanées connue, communément, sous le nom de SLAM (Simultaneous Localization And Mapping) est un processus qui permet à un robot explorant un environnement inconnu de reconstruire une carte de celui-ci tout en se localisant, en même temps, sur cette carte. Dans ce travail de thèse, nous nous intéressons au SLAM par optimisation de graphe. Celui-ci utilise un graphe pour représenter et résoudre le problème de SLAM. Une optimisation de graphe consiste à trouver une configuration de graphe (trajectoire et carte) qui correspond le mieux aux contraintes introduites par les mesures capteurs. L'optimisation de graphe présente une forte complexité algorithmique et requiert des ressources de calcul et de mémoire importantes, particulièrement si l'on veut explorer de larges zones. Cela limite l'utilisation de cette méthode dans des systèmes embarqués temps-réel. Les travaux de cette thèse contribuent à l'atténuation de la complexité de calcul du SLAM par optimisation de graphe. Notre approche s’appuie sur deux axes complémentaires : la représentation mémoire des données et l’implantation sur architectures hétérogènes embarquées. Dans le premier axe, nous proposons une structure de données incrémentale pour représenter puis optimiser efficacement le graphe. Dans le second axe, nous explorons l'utilisation des architectures hétérogènes récentes pour accélérer le SLAM par optimisation de graphe. Nous proposons, donc, un modèle d’implantation adéquat aux applications embarquées en mettant en évidence les avantages et les inconvénients des architectures évaluées, à savoir SoCs basés GPU et FPGA. / Simultaneous Localization And Mapping is the process that allows a robot to build a map of an unknown environment while at the same time it determines the robot position on this map.In this work, we are interested in graph-based SLAM method. This method uses a graph to represent and solve the SLAM problem. A graph optimization consists in finding a graph configuration (trajectory and map) that better matches the constraints introduced by the sensors measurements. Graph optimization is characterized by a high computational complexity that requires high computational and memory resources, particularly to explore large areas. This limits the use of graph-based SLAM in real-time embedded systems. This thesis contributes to the reduction of the graph-based computational complexity. Our approach is based on two complementary axes: data representation in memory and implementation on embedded heterogeneous architectures. In the first axis, we propose an incremental data structure to efficiently represent and then optimize the graph. In the second axis, we explore the use of the recent heterogeneous architectures to speed up graph-based SLAM. We propose an efficient implementation model for embedded applications. We highlight the advantages and disadvantages of the evaluated architectures, namely GPU-based and FPGA-based System-On-Chips.