Energy optimization of wireless IoT communications with reinforcement learning

L'augmentation du nombre d'objets connectés dans les réseaux constituant l'Internet des objets engendre une saturation du spectre, pouvant réduire la qualité des transmissions sans fil. Afin d'optimiser les communications, des algorithmes d'adaptation dynamique sont utilisés, tels que l'ADR dans les réseaux LoRaWAN. Cette thèse vise à concevoir des mécanismes d'adaptation plus performants basés sur l'intelligence artificielle.

Dans un premier temps, les performances théoriques des communications LoRa sont étudiées dans différents types de canaux, en essayant à la fois de développer une approche la plus générique possible et d’inclure des contraintes industrielles comme le bruit impulsif.

Afin de pouvoir simuler un réseau LoRa avec des nœuds utilisant des techniques d'apprentissage par renforcement (RL) pour l'adaptation de paramètres, le simulateur J-LoRaNeS a été développé. Le langage Julia, qui a été utilisé pour le développement, permet un excellent compromis entre rapidité d’exécution et prototypage.

Le simulateur a permis de mettre en évidence des lacunes des algorithmes actuels d’adaptation dynamique de débit basés sur le RL, ce qui a mené à la proposition d’un algorithme à retour d’information groupé.