[PENDING] Démonstraon sur le ciel de l’opque adaptave mul-‐objet avec étoiles lasers par CANARY

(1)

Démonstraon sur le ciel de l’opque adaptave mul-‐objet avec étoiles lasers par CANARY

Olivier Mar*n

École doctorale ED 127, Université Paris-‐Diderot

Directeur de thèse : Gérard Rousset

Co-‐Directeur de thèse : Éric Gendron

(2)

1.  Introduc*on

2.   Tomographie en boucle ouverte avec étoiles lasers 3.   Modélisa*on d’un système de MOAO

4.   Résultats sta*s*ques sur le ciel 5.  Conclusions

SOMMAIRE

(3)

1.  Introduc*on

SOMMAIRE

(4)

Les enjeux astrophysiques de demain

Introduc*on

Tomographie en boucle ouverte avec étoiles lasers Modélisa*on d’un système de MOAO

Résultats sta*s*ques sur le ciel Conclusions et Perspec*ves

Olivier Mar*n 3

EAGLE/MOSAIC :

Spectrographe mul*-‐objet proche IR Assisté par AO sur l’E-‐ELT

Étude en phase A: 2010

Forma*ons et évolu*on des galaxies

Champ de vue de 7 ’ de diamètre

Observa*ons mul*plexées de 20 sources astrophysiques

30% de EE dans 75 mas

6 LGS et 5 NGS

Crédit : ESO

(5)

0 10 20 30 40 0

5 10 15

Relative Strength (%)

Altitude (km)

Olivier Mar*n 4

La turbulence atmosphérique

Modélisa*on d’un système de MOAO Résultats sta*s*ques sur le ciel

Conclusions et Perspec*ves

Sans

atmosphère Avec

atmosphère turbulente

Paramètre de Fried r

₀

/ seeing Échelle externe L

₀

Spectre spa*al des ﬂuctua*ons de la phase donnée par

Kolmogorov

Turbulence distribuée en al*tude C

_n²

(h)

Temps de corréla*on/vitesse de vent

λ/D λ/D λ/Dλ/Dλ/Dλ/Dλ/Dλ/Dλ/Dλ/Dλ/Dλ/Dλ/Dλ/Dλ/Dλ/D λ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/rλ/r0000000000000000

(6)

L’op*que adapta*ve classique (SCAO)

Introduc*on

pente

x y

Olivier Mar*n 5

+

- + +

̃Φ

_ε

̃Φ

a

̃ n

(z)

S ̃

(z)

̃Φ

_m

h ̃

_ASO

M c

ASO

RTC V ̃ ( z )

D

h ̃

_sys

DM

−0.5 0.0 0.5

Arcsecs

Open−loop on ASTT1 in H band SR= 2.4%

SEEING

SR ≈ 2,4 % (Bande H)

_−0.5 _0.0 _0.5

−0.5 0.0 0.5

Arcsecs

SCAO on ASTT1 in H band SR= 25.5%

SCAO

SR ≈ 25,5 %

L’ASO mesure :

-‐ modes de bas ordres de la turbulence -‐ repliement des modes de hauts ordres -‐ + contribu*on du bruit

Loi de commande intégrateur

Crédit : J. Exposito

(7)

Les étoiles guides lasers

Olivier Mar*n 6

Meilleure couverture du ciel

Eﬀet de cône : turbulence non mesurée

Indétermina*on de l’angle d’arrivée du front d’onde sur la pupille

Fluctua*ons de la densité de la couche de Sodium

(Elonga*on des spots, défocus) Compensa*on par*elle de l’eﬀet de

cône avec plusieurs LGS

(8)

L’op*que adapta*ve mul*-‐objet (MOAO)

Introduc*on

Olivier Mar*n 7

Altitude

0 km

∞

Cibles Astrophysiques

Pupille du télescope Turbulence

(9)

Olivier Mar*n 7

Miroir déformable Spectrographe à champ intégral

(10)

Introduc*on

Olivier Mar*n 7

(11)

Olivier Mar*n 7

(12)

Introduc*on

Olivier Mar*n 7

Reconstruc*on tomographique

Pas de rétro-‐ac*on MD/ASO

Miroir déformable Miroir déformable

Tomographie

Pas de rétro-‐ac*on

MD/ASO: boucle ouverte !!

Spectrographe à champ intégral

(13)

L’instrument CANARY

Olivier Mar*n

^−0.5

^0.0

^0.5

8

−0.5 0.0 0.5

Arcsecs

GLAO 4 LGS 2 NGS on ASTT1 in H band SR= 12.1%

−0.5 0.0 0.5

Arcsecs

MOAO 4 LGS 2 NGS on ASTT1 in H band SR= 22%

GLAO (BO) MOAO (BO)

−0.5 0.0 0.5

Arcsecs

Open−loop on ASTT1 in H band SR= 2.4%

SEEING

SR ≈ 2,4 % (bande H) SR ≈ 12,1 % SR ≈ 22,0 %

−0.5 0.0 0.5

Arcsecs

SCAO on ASTT1 in H band SR= 25.5%

SCAO (BF)

SR ≈ 25,5 %

(14)

1.  Introduc*on

SOMMAIRE

(15)

La reconstruc*on tomographique MMSE avec CANARY

Olivier Mar*n 10

S S ↵

: Vecteur des mesures sur l’axe (TS) : Vecteur des mesures hors-‐axes

C : Matrice de covariance des pentes

Matrice de

pondéra*on C ↵↵

S b = RS ↵

Es*ma*on tomographique MMSE :

" 2 = E h

k S RS ↵ k 2 i

Matrice de

projec*on C ↵

R = E ⇥

S S t ↵ ⇤

E ⇥

S ↵ S t ↵ ⇤ 1

576 éléments (8 ASO de 72 pentes )

C C ↵↵

C ↵

LGS (TT asservi)

NGS

(16)

La reconstruc*on tomographique MMSE avec CANARY

Introduc*on

Olivier Mar*n 11

Besoin d’un modèle de la covariance des pentes !

Problèmes :

-‐  Le calcul du reconstructeur MMSE nécessite la covariance entre les ASO hors-‐axes et sur l’axe

=> pas d’ASO sur l’axe sur l’E-‐ELT

-‐  Le calcul du reconstructeur MMSE nécessite des matrices de covariance sta*s*ques

=> les mesures acquises sur le ciel sont des réalisaons parculières de la turbulence

R = E ⇥

S S t ↵ ⇤ E ⇥

S ↵ S t ↵ ⇤ 1

On ne peut pas directement u*liser les mesures pour calculer le reconstructeur

(17)

Modèle de la covariance spa*ale des pentes

Olivier Mar*n 12

Coordonnées des sous-‐pupilles : sépara*on des ASO, al*tude, coordonnées dans le repère de l’ASO, al*tude de focalisa*on des LGS, dévia*ons

Foncons de structure de phase à une altude donnée : Sépara*on des ssp, r

₀

, L

₀

Carte/Matrice de covariance à une al*tude donnée : Matrice remplie avec les valeurs de covariance de chaque couple de sous-‐pupilles

Indépendance sta*s*que des couches turbulentes à somme sur les couches

(18)

Données L G S + N G S +

T T

Matrice de covariance empirique

Matrice de covariance synthé*que Modèle

Ajustement MC des paramètres

Reconstructeur MMSE

0 10 20 30 40 50 60

0.0 0.2 0.4 0.6 0.8 1.0 1.2 10⁺⁴

Proﬁl C_n²(h) r₀

L₀

Centroid gain ASO Tracking du telescope

Contraintes

(posi*vité, nombre de couches, al*tudes ﬁxes)

Dévia*ons de la pupille : Transla*on

rota*on, homothé*e

Sépara*on des étoiles

Iden*ﬁca*on du reconstructeur sur le ciel par le Learn & Apply

Introduc*on

Olivier Mar*n 13

C Learn R

R = C Learn ↵ C ↵↵ Learn + C ↵↵ Noise

1

(19)

Évalua*on de l’erreur tomographique

Olivier Mar*n 14

" 2 = E h

k S RS ↵ k 2 i

Erreur tomographique sur les pentes :

" 2 = tr ( C ) 2tr C ↵ R t + tr R C ↵↵ R t

Contribu*on des ASO dans les direc*ons d’intérêts

Mesures des hors-‐axes, propagées à travers le reconstructeur

Terme qui diminue l’erreur !!

TomoTS 2 = MSE ( C , R)

Erreur tomographique sur le front d’onde (nm rms) :

(20)

TomoTS 2 = || 2 + Alias 2

+ NoiseTS 2 + NoiseTomo 2 + w 2 + model

TomoIR 2 = || 2 + AliasIR 2 + model (+ NoiseTomo 2 )

Décomposi*on de l’erreur tomographique

Introduc*on

Olivier Mar*n 15

Décomposi*on totale de l’erreur tomographique :

Turbulence (bas ordres et repliement)

Bruit TS + bruit hors-‐axes

Contribu*on de la convergence + erreur de modélisa*on de la covariance spa*ale (couches non vues, étalonnage, approxima*ons)

Erreur tomographique vue par la caméra IR sur l’axe de CANARY:

(21)

Erreur tomographique par couche

Olivier Mar*n 16

0 10 20 30 40

0 5 10 15

Altitude (km)

|| 2 =

n

_l

X

l=1

|| 2 (h l )

Indépendance des couches turbulentes :

La décomposi*on de l’erreur tomographique par couche donne une visualisa*on des couches turbulentes qui limitent la performance tomographique

Performance des reconstructeurs MMSE avec l’al*tude des couches turbulentes ? Alias 2 =

n

_l

X

l=1

Alias 2 (h l )

(22)

Compromis performance/robustesse des reconstructeurs MMSE

Introduc*on

Olivier Mar*n 17

0 20 40 60 80 100

0 2 4 6 8 10

Altitude (km)

0 20 40 60 80 100

0 2 4 6 8 10

Altitude (km)

0 20 40 60 80 100

0 2 4 6 8 10

Altitude (km)

0 20 40 60 80 100

0 2 4 6 8 10

Altitude (km)

0 20 40 60 80 100

0 2 4 6 8 10

Altitude (km)

A B C D E

C (h l )

Généra*on d’une matrice de covariance monocouche et sans bruit

Généra*on de reconstructeur 2 couches (0 et 10 km) avec des pondéra*ons rela*ves diﬀérentes + reconstructeur op*mal

R A

R B R C R D R E

A 2 = MSE ( C (h l ), R A )

R opt = C ↵ (h l ) ( C ↵↵ (h l )) 1

(23)

A

B

C

D

E

F F

F

A: 100% at 0 km − 0% at 10 km B: 95% at 0 km − 5% at 10 km C: 50% at 0 km − 50% at 10 km D: 5% at 0 km − 95% at 10 km E: 0% at 0 km − 100% at 10 km F: Minimal error

0 5 10 15 20

0 10 20 30 40 50 60

Altitude (km)

Normalized tomographic error (nm)

Compromis performance/robustesse des reconstructeurs MMSE

Olivier Mar*n 18

' 2 h

Compromis de correc*on sur l’ensemble des couches

Al*tude h

_l

(km)

h h

_max

(Taille des ssp) (Diamètre du tel.)

(24)

Et pour l’E-‐ELT ?

Introduc*on

Olivier Mar*n 19

h ' d

↵ max

Résolu*on tomographique :

≈ 1500 m sur CANARY

≈ 300 m sur MOSAIC (α

_max

≈ 7,5’) Al*tude maximale :

h max ' D

↵ min

≈ 15-‐20 km sur CANARY

≈ 30 km sur MOSAIC si α

_min

≈ 5’

Turbulence essen*ellement comprise entre 0 et ≈ 25 km

il faut iden*ﬁer au minimum de 30

à 40 couches turbulentes sur l’E-‐ELT

(25)

Conclusions sur la tomographie en boucle ouverte

Olivier Mar*n 20

²  La reconstruc*on MMSE requiert un modèle théorique de la covariance spa*ale dont les paramètres sont iden*ﬁés sur le ciel avec le L&A

²  Opérateur MSE pour calculer les erreurs tomographiques vues par le TS ≠ erreurs tomo.

vues par la camera IR à décomposi*on de l’erreur tomographique

²  Tomographie eﬃcace de 0 à h

_max

et compromis performance/robustesse aux non

sta*onnarités du proﬁl turbulent des reconstructeurs MMSE à iden*ﬁca*on tous les

2Δh

(26)

1.  Introduc*on

SOMMAIRE

(27)

IMAGE IR Turbulence

r

₀

, L

₀

, v(h) , C

_n²

(h)

Télescope

D, aberra*ons

Instrument de MOAO

ASO, MD, R, gain, retard

−0.5 0.0 0.5

Arcsecs

0 20 40 60 80 100 120

Est-‐ce que les résultats de CANARY sur le ciel sont prédic*bles ?

Olivier Mar*n 22

Géométrie, magnitudes

Mesure du TS TS 2

IR 2

NCPA

(28)

Méthode DMTS

IMAGE IR Turbulence

r

₀

, L

₀

, v(h) , C

_n²

(h)

Télescope

D, aberra*ons

−0.5 0.0 0.5

Arcsecs

0 20 40 60 80 100 120

Introduc*on

Olivier Mar*n 22

Géométrie, magnitudes

Mesure du TS TS 2

NCPA IR 2

Instrument de MOAO

ASO, MD, R, gain, retard

Méthode DTI

(29)

IR 2 = BW 2 + Fitting 2 + TomoIR 2

+ OL 2 + NoiseIR 2 + Static 2 + NCPA 2

Méthode DTI (Décomposi*on en Termes Indépendants) :

Évalua*on de la variance de la phase résiduelle

Olivier Mar*n 23

Objec*f : exprimer la variance du front d’onde au niveau de la caméra IR

(30)

Évalua*on de la variance de la phase résiduelle

Introduc*on

Olivier Mar*n 23

Erreur temporelle=

f(gain,retard,v) E r r e u r d e s o u s -‐

modélisa*on = f(D,r

₀

)

Erreur tomographique

= f(R,C

_n²

(h))

Erreur d’étalonnage des NCPA

Aberra*ons sta*ques Erreur de bruit = f(gain, retard, bruit ASO)

Erreur de boucle

ouverte = f(M

_int

, r

₀

)

(31)

Évalua*on de la variance de la phase résiduelle

Olivier Mar*n 23

Erreur temporelle=

f(gain,retard,v)

Erreur tomographique

= f(R,C

_n²

(h))

Erreur d’étalonnage des NCPA

Aberra*ons sta*ques Erreur de bruit = f(gain, retard, bruit ASO)

Erreur de boucle

ouverte = f(M

_int

, r

₀

) E r r e u r d e s o u s -‐

modélisa*on = f(D,r

₀

)

IR 2 = TS 2 + Fitting 2 + NCPA 2

NoiseTS 2 + AliasIR-TS 2

Méthode DMTS (Détermina*on à par*r de la Mesure du TS) :

(32)

Introduc*on

Olivier Mar*n 24

Cas isolés (≈1 %):

•  Données corrompues

•  Mauvaise iden*ﬁca*on des paramètres globaux

•  Mauvaise iden*ﬁca*on du proﬁl

•  À iden*ﬁer au cas par cas

Biais très faible mais légère dispersion en MOAO sur 2 000 échan*llons :

•  Bonne adéqua*on des deux méthodes à toutes les échelles d’erreur

•  Méthodes d’es*ma*ons des postes d’erreur rela*vement exactes

•  Approxima*ons impactent peu

•  Dispersion essen*ellement engendrée par l’évalua*on de l’erreur

d’ajustement (hypothèse à vériﬁer)

(33)

Olivier Mar*n 25

Résultats sur le ciel: contribu*on rela*ves des postes d’erreur

Travail d’analyse

supplémentaire

à mener !!

(34)

A A

A

B

A: Reconstructed PSF B: On−sky PSF

0.0 0.5 1.0 1.5 2.0 2.5 3.0

0 20 40 60 80 100

Diameter of the box (arcsec)

Ensquared Energy (%)

−1.0 −0.5 0.0 0.5 1.0

−1.0

−0.5 0.0 0.5 1.0

Reconstructed PSF with SR = 20.7944%

Arcsec

−0.000143042 0.207944

−1.0 −0.5 0.0 0.5 1.0

−1.0

−0.5 0.0 0.5 1.0

On−sky PSF with SR = 23.3721%

Arcsec

Résultats sur le ciel : reconstruc*on de FEP

Introduc*on

Olivier Mar*n 26

•  Méthode rela*vement ﬁable, permet de res*tuer raisonnablement la EE

•  En*èrement issue du budget d’erreur => valida*on supplémentaire de la méthode DTI

•  Basée sur des approxima*ons fortes pour CANARY => point à améliorer

•  Inclure des données étalonnées supplémentaires (fonc*ons d’infuence réelles du MD)

Budget d’erreur à variances à covariances à fonc*ons de structure de phase à

FTO à FEP

(35)

Conclusions sur la modélisa*on d’un système de MOAO

Olivier Mar*n 27

²  Valida*on sta*s*que de la modélisa*on d’un système de MOAO à par*r de données ciel acquises avec Canary

²  Erreur tomographique dominante (≈40%) dans le budget d’erreur, mais travail supplémentaire à mener sur les aberra*ons sta*ques (≈10%) : origines, étalonnages

²  Ou*ls de reconstruc*on de FEP prêt et ﬁable pour simuler des cas E-‐ELT

(36)

1.  Introduc*on

4.   Résultats stasques sur le ciel 5.  Conclusions

SOMMAIRE

(37)

Black : Seeing of the whole turbulence

Red : Ground seeing

Blue : Altitude seeing

0.0 0.5 1.0 1.5 2.0

0 100 200 300 400

Seeing (arcsec)

Variabilité des condi*ons d’observa*on

−1.0 −0.5 0.0 0.5

5 10 15 20 25 30 35 40

Local time (hours) ro (at 500 nm)

Une mesure sur 4 s toutes les 10 s

Olivier Mar*n 29

•  Turbulence dominée par la couche au sol au WHT

•  Seeing en al*tude rela*vement constant

≈ 0,25 ’’

•  Forte variabilité du seeing avec le temps, due aux ﬂuctua*ons de la couche au sol

Médiane rms

Seeing 0,650’’ 0,289’’

Seeing sol (< 1km) 0,570’’ 0,300’’

Seeing al*tude 0,230’’ 0,083’’

Slab : 25 mas

(38)

Black : Average wind speed

Red : Ground wind speed

Blue : Altitude wind speed

0 5 10 15 20 25

0 100 200 300 400 500

Wind speed (m/s)

Variabilité des condions d’observaon

Introduc*on

Olivier Mar*n 30

•  Comportement temporel de la turbulence dominé par la couche au sol

•  Couches en al*tude plus rapide que la couche au sol

•  Grande variabilité de la vitesse des couches en al*tude

Médiane rms

vent 4,2 m/s 2,5 m/s

vent sol (< 1km) 3,2 m/s 1,9 m/s vent al*tude 9,0 m/s 5,7 m/s

Slab : 0,5 m/s

(39)

Nombre de couches turbulentes

Olivier Mar*n 31

•  Énergie turbulente concentrée dans une voire deux couches

•  Couche au sol relavement épaisse, concentraon d’énergie autour de 10 km

•  WHT + CANARY + L&A (Δh ≈ 1,5 à 2 km)

=> 4 à 5 couches iden*ﬁables en moyenne

(40)

Performances de CANARY sur le ciel

Introduc*on

Olivier Mar*n 32

•  Trois régimes dis*ncts : SCAO, MOAO 4 LGS 3 NGS et GLAO. Plus notable sur SR que sur EE

•  Grande dispersion des résultats -‐> ﬂuctua*ons sta*s*ques + variabilité du C

_n²

(h)

•  Écart SCAO/MOAO plus important à faible seeing

À 0,65’’:

SCAO : SR = 0,34 – EE 200 mas = 47 %

MOAO : SR = 0,26 – EE 200 mas = 43 %

GLAO : SR = 0,18 – EE 200 mas = 37 %

(41)

Résultats avec un reconstructeur tomographique op*misé

0.00 0.02 0.04 0.06 0.08

0 20 40 60 80

Gain on the Born Strehl ratio computed from the DTI method (nm)

Frequency

Olivier Mar*n 33

•  Résultats MOAO 4 LGS 3 NGS sur A47

•  R ciel = iden*ﬁé en amont de l’engagement de la boucle

•  R op*misé = iden*ﬁé sur les mesures en boucle engagée

•  Comparaison résultats R ciel/op*misé avec méthode DTI

•  MOAO : performance limitée par les couches à très haute al*tude (>20 km), et non par l’iden*ﬁca*on du proﬁl turbulent

•  GLAO : performance limitée par les couches entre 10 et 15 km très énergé*ques

Earned Strehl points in H band

(42)

Conclusions sur les résultats sta*s*ques

Introduc*on

Olivier Mar*n 34

²  Au WHT, couche au sol énergé*que et très variable mais lente et stable en vitesse + Couches en al*tude d’énergie stable mais de vitesse de vent rapide et très variable

²  MOAO stasquement plus eﬃcace et robuste que la GLAO, et limitée part les couches à très haute al*tude

²  Dispersion des résultats : variabilité des condi*ons d’observa*ons importantes +

ﬂuctua*ons sta*s*ques des observables

(43)

1.  Introduc*on

SOMMAIRE

(44)

Conclusions générales

Introduc*on

Olivier Mar*n 36

Ø  Tomographie en boucle ouverte

²  Reconstruc*on MMSE nécessite un modèle de la covariance spa*ale

²  Iden*ﬁca*on des paramètres sur le ciel : 30 à 40 couches minimum sur E-‐ELT

²  Compromis performance/robustesse des reconstructeurs MMSE

²  Méthode d’évalua*on des performances tomographiques avec matrice de covariance

Ø  Modélisa*on d’un système de MOAO avec LGS

²  Démarche d’analyse avec le budget d’erreur en MOAO validé sta*s*quement pour CANARY

²  Méthodologie transposable aux cas E-‐ELT

²  Ou*ls de simula*ons ﬁables (reconstruc*on de FEP) pour préparer l’E-‐ELT

²  Mise en évidence de postes d’erreurs à analyser plus ﬁnement : aberraons staques !!

Ø  Résultats sur le ciel de CANARY

²  !!!!!!!!!!!!!!!!!!!! Grande variabilité des condi*ons d’observa*ons !!!!!!!!!!!!!!!!!!!!!!!!!

²  Performance limitée par les couches à très haute al*tude

²  Valida*on de la synthèse tomographique avec LGS

²  Fiabilité de la MOAO sta*s*quement démontrée à par*r de données ciel

(45)

Perspec*ves

Olivier Mar*n 37

Ø  Élargir la reconstruc*on tomographique

²  Caractérisa*on de la robustesse des reconstructeurs aux non-‐sta*onnarités du proﬁl turbulent.

Fréquence de mise à jour du reconstructeur ?

²  Méthode d’évalua*on des performances tomographiques à tester en LTAO et MCAO

²  Reconstruc*on non linéaire à explorer (ex : Réseaux de neurones -‐ Guzman 2012)

Ø  Aller plus loin dans la modélisa*on et la valida*on du système

²  Op*misa*on de gain/modale sur le ciel à méthode de détermina*on du gain op*mal à tester

²  Commande LQG à requiert une modélisa*on plus ﬁne des entrées du systèmeà Valida*on plus abou*e de la MOAO

²  U*liser des Étoiles Na pour se rapprocher d’un design MOSAIC et introduire des diﬃcultés supplémentaires à modéliser

Ø  Préparer l’E-‐ELT

²  Développement hardware/so}ware pour le calcul numérique des reconstructeurs à très grands degrés de liberté (par ex. sur GPU)

²  Déterminer des stratégies d’iden*ﬁca*on des reconstructeurs. U*lisa*on d’un proﬁler externe ?

²  Simula*ons cas MOSAIC avec variabilité du proﬁl turbulent

(46)

PUIC PUIC ! (MERCI DE VOTRE

[PENDING] Démonstra*on sur le ciel de l’op*que adapta*ve mul*-­‐objet avec étoiles lasers par CANARY

Démonstra*on sur le ciel de l’op*que adapta*ve mul*-­‐objet avec étoiles lasers par CANARY

SOMMAIRE

Olivier Mar*n 3

Olivier Mar*n 4

Kolmogorov

RTC V ̃ ( z )

Olivier Mar*n 6

Olivier Mar*n 7

Olivier Mar*n 7

Olivier Mar*n 7

GLAO (BO) MOAO (BO)

Olivier Mar*n 10

Olivier Mar*n 11

=> les mesures acquises sur le ciel sont des réalisa*ons par*culières de la turbulence

Fonc*ons de structure de phase à une al*tude donnée : Sépara*on des ssp, r

Ajustement MC des paramètres

Olivier Mar*n 13

Mesures des hors-­‐axes, propagées à travers le reconstructeur

Olivier Mar*n 15

Olivier Mar*n 16

Compromis performance/robustesse des reconstructeurs MMSE

Généra*on d’une matrice de covariance monocouche et sans bruit

Olivier Mar*n 18

≈ 1500 m sur CANARY

Olivier Mar*n 20

² Tomographie eﬃcace de 0 à h

SOMMAIRE

Olivier Mar*n 22

Olivier Mar*n 22

Olivier Mar*n 23

Olivier Mar*n 23

Évalua*on de la variance de la phase résiduelle

Erreur de boucle

Olivier Mar*n 24

Olivier Mar*n 25

Résultats sur le ciel : reconstruc*on de FEP

• Basée sur des approxima*ons fortes pour CANARY => point à améliorer

Olivier Mar*n 27

4. Résultats sta*s*ques sur le ciel 5. Conclusions

Olivier Mar*n 29

Variabilité des condi*ons d’observa*on

• Grande variabilité de la vitesse des couches en al*tude

• Couche au sol rela*vement épaisse, concentra*on d’énergie autour de 10 km

• Trois régimes dis*ncts : SCAO, MOAO 4 LGS 3 NGS et GLAO. Plus notable sur SR que sur EE

Olivier Mar*n 33

• GLAO : performance limitée par les couches entre 10 et 15 km très énergé*ques

² MOAO sta*s*quement plus eﬃcace et robuste que la GLAO, et limitée part les couches à très haute al*tude

Conclusions générales

² Compromis performance/robustesse des reconstructeurs MMSE

² Mise en évidence de postes d’erreurs à analyser plus ﬁnement : aberra*ons sta*ques !!

Perspec*ves

² Reconstruc*on non linéaire à explorer (ex : Réseaux de neurones -­‐ Guzman 2012)

Ø Préparer l’E-­‐ELT

ATTENTION !!)

[PENDING] Démonstraon sur le ciel de l’opque adaptave mul-‐objet avec étoiles lasers par CANARY

Démonstraon sur le ciel de l’opque adaptave mul-‐objet avec étoiles lasers par CANARY

=> les mesures acquises sur le ciel sont des réalisaons parculières de la turbulence

Foncons de structure de phase à une altude donnée : Sépara*on des ssp, r

Mesures des hors-‐axes, propagées à travers le reconstructeur

²  Tomographie eﬃcace de 0 à h

•  Basée sur des approxima*ons fortes pour CANARY => point à améliorer

4.   Résultats stasques sur le ciel 5.  Conclusions

Variabilité des condions d’observaon

•  Grande variabilité de la vitesse des couches en al*tude

•  Couche au sol relavement épaisse, concentraon d’énergie autour de 10 km

•  Trois régimes dis*ncts : SCAO, MOAO 4 LGS 3 NGS et GLAO. Plus notable sur SR que sur EE

•  GLAO : performance limitée par les couches entre 10 et 15 km très énergé*ques

²  MOAO stasquement plus eﬃcace et robuste que la GLAO, et limitée part les couches à très haute al*tude

²  Compromis performance/robustesse des reconstructeurs MMSE

²  Mise en évidence de postes d’erreurs à analyser plus ﬁnement : aberraons staques !!

²  Reconstruc*on non linéaire à explorer (ex : Réseaux de neurones -‐ Guzman 2012)

Ø  Préparer l’E-‐ELT