Application des techniques de « Machine Learning » à la géolocalisation « indoor » des objets connectés dans le contexte de la future 5G

Application of Machine Learning techniques for indoor localization of connected devices in the context of future 5G.

• Auteur / Autrice : Brieuc Berruet
• Direction : Alexandre Caminada, Oumaya Baala
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 17/12/2019
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies (UMR 6174) / FEMTO-ST
• Partenaire(s) de recherche : Etablissement de préparation : Université de technologie de Belfort-Montbéliard (1999-....)
• Jury : Président / Présidente : Éric Gaussier
• Jury : Examinateurs / Examinatrices : Éric Gaussier, Bernard Uguen, Adriano Moreira, Valéry Guillet
• Jury : Rapporteurs / Rapporteuses : Bernard Uguen, Adriano Moreira

Mots clés

Mots clés contrôlés

5G (téléphonie mobile)

Internet des objets

Apprentissage profond

Mots clés libres

Communications basse énergie

Machine Learning

Objets connectés

Connectivité ambiante

5g

Deep Learning

Low-Energy communications

Connected devices

Machine Learning

5g

Ambient Connectivity

Deep Learning

Résumé

L'introduction de la nouvelle génération de standard mobile '5G' va permettre l'expansion de divers services qui peuvent diviser en 3 catégories: la connectivité mobile améliorée, les communication ultra-stable de faible latence et les communications massives des machines. De ces 3 catégories, la géolocalisation des objets ne sera pas la même et il est nécessaire de connaître le contexte technique pour définir le choix des solutions de géolocalisation. De ce fait, cette thèse propose des solutions de localisation en intérieur pour les objets massivement connectés et à faible consommation ce qui s'inscrit donc dans le contexte 5G. De plus, et avec la multiplication exponentiel des objets connectés à travers le monde, la connectivité ambiante devient un axe majeur auquel la thèse doit s'y soumettre. Par conséquent, la géolocalisation dans cette thèse est contraintes à différents problèmes comme la possibilité de n'avoir qu'un point d'accès détecté, la non-connaissance de la géométrie des antennes de ce dernier, une bande passante restreinte et des cibles à géolocaliser souhaitant limitées leur consommation électrique. De plus, les environnements intérieurs ajoutent d'autres difficultés comme la propagation multi-trajets, la modification de la topologie du terrain étudiée et la présence de personnes. La choix finale pour cette thèse est d'étudier géolocalisation par 'fingerprinting' avec des données de l'état du canal (CSI) et du Machine Learning correspondant à la problématique posée.

With the introduction of the new generation of '5G' mobile standard, it will be possible to propose several services which can be divided into 3 groups: the enhanced mobile broadband (eMB), the ultra-reliable low-latency communications (uRLLC) and the massive machine type communications (mMTC). Then, the indoor localization will be different depending on the framework which is unavoidable to choose properly the well-fitted solution. This thesis consists in studying indoor localization solutions for mMTC expecting high battery life. Moreover and with the exponential increasing number of low-energy connected devices around the world, the ambiant connectivity becomes a major requirement which has to be taken into account in our approach. Hence, the thesis deals with a plethoria of costraints such as a high probability to have a target communicating with only one access point, an unknown antenna elements geometry, a short bandwidth and connected devices respecting low-energy communications. Furthermore, the signals in indoor environments suffers from the multipath, the modifications of studied area topology and moving people. Finally and to deal with the conext, the thesis will study the indoor localization based on fingerprinting and channel state information (CSI) with the support of Machine Learning techniques.