Collecte de données grâce aux réseaux de drones

Non communiqué

• Auteur / Autrice : Celia Yasmine Tazibt
• Direction : Nadjib Achir, Tounsia Djamah
• Type : Thèse de doctorat
• Discipline(s) : Ingenierie informatique
• Date : Soutenance le 15/12/2021
• Etablissement(s) : Paris 13 en cotutelle avec Université Mouloud Mammeri (Tizi-Ouzou, Algérie)
• Ecole(s) doctorale(s) : École doctorale Galilée (Villetaneuse, Seine-Saint-Denis)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de traitement et transport de l'information (Villetaneuse, Seine-Saint-Denis)
• Jury : Président / Présidente : Mehammed Daoui
• Jury : Examinateurs / Examinatrices : Samia Bouzefrane, Hassine Moungla
• Jury : Rapporteur / Rapporteuse : Samia Bouzefrane, Hassine Moungla

Mots clés

Mots clés contrôlés

Robots autonomes

Acquisition automatique des données

Mots clés libres

Réseaux de capteurs

Drones

Collecte de données

Wireless sensor networks

Unmanned aerial vehicles

Data gathering

Résumé

La collecte de données est l'une des fonctions les plus importantes des WSNs. Récemment, l'utilisation d'un nœud sink mobile a fait son apparition pour palier aux problèmes de la collecte classique de données. Bien que cette méthode ait beaucoup d'avantages, elle apporte aussi son lot de défis, dont la planification de la trajectoire du collecteur mobile. Il existe trois types de mobilité du sink : i) la mobilité aléatoire, ii) la mobilité prédéfinie: une approche statique où le sink suit un chemin calculé d'avance et iii) la mobilité non prédéfinie : une approche dynamique dans laquelle le sink découvre son chemin au cours du processus de collecte des données). Tout au long de notre travail, nous avons étudié différentes approches de planification de la trajectoire du drone. En premier lieu, nous avons proposé une solution statique. Elle vise à sélectionner le bon nombre de capteurs devant agir en tant que tête de cluster afin que le drone les utilise comme points de collecte. Cette méthode a pour but de minimiser la quantité d'énergie consommée à la fois par les capteurs et par le drone. Nous avons, par la suite, proposé une solution basée sur les champs potentiels artificiels pour diriger le drone au cours de son processus de collecte de données. Chaque n?ud est, dans ce cas, la source d'une force attractive proportionnelle à la quantité de données stockées dans son buffer. La troisième contribution, quant à elle, est une approche dynamique dans laquelle nous assignons à chaque n?ud capteur un poids qui correspond à sa priorité dans le processus de collecte de données. Il est calculé grâce à une fonction utilitaire basée sur la quantité de données stockée dans le buffer d'un n?ud et la fraîcheur de ces données.Les résultats d'évaluation ont montré que nos approches ont amélioré les performances du drone en terme de quantité de données récoltées et d'énergie consommée par rapport aux méthodes présentées dans la littérature

Data collection is one of the most important functions of WSNs. Recently, the use of a mobile sink node has appeared to overcome the problems of traditional data collection. Although this method has many advantages, it also brings its share of challenges, including the planning of the trajectory of the mobile manifold. There are three types of sink mobility: i) random mobility, ii) predefined mobility: static approach (the sink follows a path calculated in advance) and iii) non-predefined mobility: dynamic approach (the sink discovers its path during the data collection process). Throughout our work, we have studied different approaches to planning the trajectory of the drone. First, we proposed a static solution. It aims to select the right number of sensors to act as the head of the cluster so that the drone uses them as collection points. This method aims to minimize the amount of energy consumed by both the sensors and the drone. We subsequently proposed a solution based on artificial potential fields to steer the drone during its data collection process. Each node is, in this case, the source of an attractive force proportional to the amount of data stored in its buffer. The third contribution, on the other hand, is a dynamic approach in which we assign each sensor node a weight that corresponds to its priority in the data collection process. It is calculated using a utility function based on the amount of data stored in a node's buffer and the freshness of that data. The evaluation results have shown that our approaches have improved the performance of the drone in terms of the amount of data collected and the energy consumed compared to the methods presented in the literature