Get started
Work

Contribution à l’étude de l’amélioration de la coexistence radio d’un réseau de capteurs sans fils grâce à la mise en œuvre d’algorithme embarqués basés sur l’intelligence artificielle

Year: 2025
Type: dissertation
Abstract: La bande ISM est une bande sans licence où les restrictions d'émission sont assouplies par rapport à la bande sous licence. Cela a conduit à une prolifération des protocoles de communication (Wi-Fi, Bluetooth Low Energy (BLE), Zigbee...), malgré l'absence de garantie sur la disponibilité du spectre. Si les protocoles à bande étroite, à faible puissance permettent d'optimiser l'énergie pour les communications à courte portée et à terme d'allonger la durée de vie de la batterie des appareils IoT, leurs méthodes d'accès à l'environnement radio présentent des limites pour garantir de bonnes conditions de réception en cas de forte activité radio dans la bande de fréquence utilisée. Pour cette étude nous nous sommes concentrés sur l'amélioration de la gestion des interférences du récepteur BLE. Ses faiblesses sont symptomatiques des protocoles optimisés pour être économe en énergie. Le Wi-Fi utilise un niveau de puissance relativement élevé et des fréquences à large bande, par rapport au BLE, lors de ces transmissions contribuant de manière significative à l'interférence BLE. Nous avons étudié spécifiquement ce problème avec le cas des arrivées tardive des interférences par rapport au gel de l’index de gain de l’amplificateur faible bruit (LNA). Cette configuration est la plus préjudiciable pour compromis optimal entre la linéarité et le bruit du récepteur qu’est sensé garantir la convergence du gain de l’amplificateur faible bruit (LNA).La mise en place de notre étude repose sur l'observation suivante : en raison du caractère aléatoire des interférences, la collecte de données suffisantes sur chaque canal pour prédire avec précision les interférences sur chaque canal nécessite des temps de simulation et de mesure très longs. Le type d'ensemble de données produit à la fin conduira à un modèle de grande taille avec des exigences de calcul énormes.La première contribution de cette étude consiste en l’évaluation de plusieurs algorithmes de machine learning prédisant l’index de gain du LNA ou l’impossibilité de recevoir le futur paquet, utilisant un historique restreint des métriques de fonctionnement du récepteur et la sortie est l'index de contrôle automatique de gain (AGC) optimal à utiliser pour la réception du paquet suivant. En conséquence, nous donnons à la radio la capacité d'anticiper l'apparition d'un interféreur pendant la réception de la charge utile. L'évaluation finale du système a montré une amélioration significative du Packet Error Rate (PER). Notamment, la prédiction de l'AGC permet d'élargir la gamme des paquets recevables. La deuxième contribution consiste au développement d’un méthode d’évaluation du gain d’énergie en fonction des statistiques de réception du récepteur.Nous avons fourni une méthode d'analyse approfondie du modèle ML afin d'évaluer précisément l'équilibre entre le gain d'énergie fourni par la prédiction de l'indice AGC et la mauvaise réception/non-détection prévue et l'énergie consommée par le modèle pour produire la prédiction. Cette méthode permet de prendre en compte l'énergie de la prédiction de l'indice AGC en fonction de la réception de l'état des paquets pour déterminer la limite du modèle ML d'intérêt en termes de durée de prédiction et de réémission moyenne. L'évaluation des modèles candidats permet de pondérer le gain potentiel et la consommation d'énergie effective du modèle. La troisième contribution concerne la problématique de la génération d'un signal avec différents motifs pour l'entraînement d'un modèle ML tout en évitant le surajustement nous a amenés à envisager une nouvelle méthode de cross validation. La méthode proposée permet de définir facilement la distribution de la portion du signal dans l'ensemble d’entrainement et l'ensemble de test tout en garantissant le caractère aléatoire de l'allocation des données et la compatibilité entre l'ensemble de test et l'ensemble d’entrainement
Language: English
Open Access status: green
OpenAlex ID: W7055913389
Cites:
Cited by:
Related to: