Organiser un projet à distance ou sur site.

Auteurs indexés : Imourane Abdoulaye. Source : tel-05569589, version 1.

Les réseaux de capteurs sans fil, utilisés par exemple pour la surveillance environnementale, la gestion industrielle ou encore le suivi urbain, constituent un élément clé des infrastructures connectées actuelles. Leur déploiement massif reste toutefois limité par la consommation énergétique des nœuds, dont l'autonomie conditionne directement la durée de vie et l'efficacité du réseau. La principale source de dépense énergétique étant la transmission radio, il est indispensable d'élaborer des stratégies visant à réduire le volume de communications tout en maintenant une qualité de service satisfaisante. Dans ce but, l'intégration de l'intelligence artificielle au plus près des capteurs ouvre la voie à des réseaux dits « cognitifs », capables d'anticiper leurs propres mesures, de prendre des décisions localement et de s'auto-organiser afin de prolonger la durée de vie du système. Cette thèse s'inscrit dans cette perspective et propose une approche progressive. Dans un premier temps, des méthodes de réduction de communications basées sur des modèles de réseaux de neurones prédictifs embarqués ont été déployées au niveau des nœuds de capteurs organisés en groupes hiérarchisés, chacun étant coordonné par un chef de groupe (lui-même nœud capteur). Ces modèles permettent de réduire le nombre de transmissions en ne communiquant que les mesures dont la prédiction échoue. Cela diminue l'usage du canal radio et donc l'épuisement énergétique. Cette approche a montré, à travers des évaluations expérimentales et des déploiements réels, une amélioration notable de l'efficacité énergétique et de l'autonomie du réseau. Dans un second temps, une méthode de prédiction semi-décentralisée (SDPM) a été développée afin d'équilibrer les dépenses énergétiques entre nœuds et de prolonger la durée de vie globale du système. Elle repose sur la rotation dynamique du rôle de chef de groupe entre les différents nœuds de chaque groupe. La méthode a été étudiée selon deux dynamiques. Pour la première, la prédiction est réalisée périodiquement et uniquement au niveau du chef de groupe. Pour la seconde, une architecture à deux niveaux combine la prédiction locale de chaque nœud à celle réalisée par le chef de groupe. Dans les deux cas, la méthode SDPM assure une répartition plus équitable des tâches entre nœuds, favorisant un meilleur équilibrage énergétique et une plus grande autonomie du réseau dans son ensemble, tout en maintenant une précision des prédictions adaptée aux besoins applicatifs. L'ensemble de ces approches a été évalué et validé expérimentalement à travers un déploiement sur des plateformes intégrant des communications LoRa/LoRaWAN et des modèles de réseaux de neurones embarqués sur microcontrôleurs. Les résultats confirment leur faisabilité et leur efficacité, ouvrant ainsi la voie à des réseaux de capteurs sans fil plus durables. Enfin, une nouvelle approche d'apprentissage fédéré a été proposée pour renforcer la capacité d'adaptation des modèles prédictifs dans les réseaux de capteurs contraints. Cette approche introduit une dimension temporelle dans la mise à jour et la coordination des modèles distribués, permettant aux nœuds d'ajuster localement leurs modèles selon les dérives environnementales tout en préservant la cohérence globale grâce à des agrégations périodiques. Reposant sur des modèles compacts et sur l'échange de leurs mises à jour entre les nœuds, cette méthode vise à assurer un compromis entre précision des prédictions, consommation énergétique et faisabilité matérielle. L'évaluation a montré que cette approche améliore la stabilité des prédictions et réduit le volume de transmissions, ce qui optimise la consommation énergétique globale et marque une étape supplémentaire vers des réseaux intelligents et auto-évolutifs.

Auteurs indexés : Imourane Abdoulaye. Source : tel-05569589, version 1.

Wireless sensor networks, used for example in environmental monitoring, industrial management, or urban applications, are a key component of modern connected infrastructures. However, their widespread deployment remains limited by the energy consumption of sensor nodes, whose autonomy directly determines the lifetime and efficiency of the network. As the primary source of energy consumption is radio transmission, it is essential to design strategies that reduce the volume of communication while maintaining a satisfactory quality of service. To this end, the integration of artificial intelligence closer to the sensing devices paves the way for so-called “cognitive” networks, capable of anticipating their own measurements, making local decisions, and self-organizing to extend system lifetime.This thesis is part of this perspective and proposes a progressive approach. First, communication reduction methods based on embedded predictive neural network models were deployed at the level of sensor nodes organized into hierarchical clusters, each coordinated by a cluster head (also a sensor node). These models reduce the number of transmissions by communicating only the measurements that cannot be accurately predicted, thereby lowering the use of the radio channel and hence energy consumption. This approach has demonstrated, through various experimental evaluations and real-world deployments, a notable improvement in energy efficiency and network autonomy. In a second step, a semi-decentralized prediction method (SDPM) was developed to balance energy consumption among nodes and extend the overall lifetime of the system. It relies on the dynamic rotation of the cluster-head role among the different nodes of each cluster. The method was studied under two dynamics. In the first, prediction is performed periodically and exclusively at the cluster-head level. For the second, a two-level architecture combines local prediction at each node with prediction performed by the cluster head. In both cases, the SDPM method ensures a fairer distribution of tasks among nodes, fostering better energy balancing and greater network autonomy, while maintaining prediction accuracy suited to application needs. These approaches have been experimentally evaluated and validated through deployments on platforms integrating LoRa/LoRaWAN communications and neural network models embedded on microcontrollers. The results confirm their feasibility and effectiveness, opening the way to more sustainable wireless sensor networks adapted to long-term deployments. Finally, a new federated learning approach was proposed to strengthen the adaptability of predictive models in resource-constrained sensor networks. This approach introduces a temporal dimension into the updating and coordination of distributed models, allowing nodes to locally adjust their models according to environmental drifts while preserving overall consistency through periodic aggregation phases. Relying on compact models and the exchange of their updates among nodes, this method aims to ensure a trade-off between prediction accuracy, energy consumption, and hardware feasibility. The evaluation showed that it improves prediction stability and reduces the number of transmissions, thereby optimizing overall energy consumption and marking a further step toward cognitive and self-organizing networks.