Amélioration des techniques de la géolocalisation dans les réseaux de capteurs sans fil : Application et implémentation temps réel

Technics Amélioration for geo-localization in wsn via smart computing and real time application

• Auteur / Autrice : Oumaima Liouane
• Direction : Toufik Bakir
• Type : Thèse de doctorat
• Discipline(s) : Sciences pour l'Ingénieur
• Date : Soutenance le 27/12/2022
• Etablissement(s) : Bourgogne Franche-Comté en cotutelle avec Faculté des sciences, université de Monastir, Tunisie
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Imagerie et Vision Artificielle (ImVia) (Dijon)
• Partenaire(s) de recherche : Etablissement de préparation : Université de Bourgogne (1970-....)
• Jury : Président / Présidente : Kamel Ben Othman
• Jury : Examinateurs / Examinatrices : Abdessalem Ben Abdelali, Smain Femmam, Camel Tanougast
• Jury : Rapporteurs / Rapporteuses : Hajer Bouzaouache, Selma Boumerdassi

Mots clés

Mots clés contrôlés

Services basés sur la localisation

Systèmes de positionnement en intérieur

Réseaux de capteurs (technologie)

Radiofréquences

Mots clés libres

Rcsf

Localisation

Machine d'Apprentissage

Implémentation Matérielle

Hls

Wsn

Localization

Machine Learning

FPGA Implementation

Hls

Résumé

Les nouvelles technologies exploitant l'acquisition numérique de l'information par des techniques radiofréquences sont désormais d'usage courant dans différents champs d'application pratiques. Elles sont le plus souvent employées pour relever une variété de grandeurs physiques (température, humidité, vitesse, etc.) et sont regroupées sous le vaste terme de réseaux de capteur sans fils. Pour cette variante d'applications, la géolocalisation avec précision des nœuds de capteurs communicants reste une problématique importante pour les chercheurs et les industriels. En effet, les algorithmes de localisation existants peuvent être classés en deux catégories connues sous le nom de « range-based » et de « range-free ». Les systèmes de localisation « range-based » se caractérisent par des inconvénients majeurs. Le premier est lié au coût du matériel supplémentaire nécessaire pour la mesure des distances entre les nœuds capteurs. L'autre inconvénient concerne la précision des mesures qui peut varier selon plusieurs paramètres lies à la nature du réseau et à l'environnement : le taux d'humidité, le bruit électromagnétique, les obstacles, etc. Pratiquement, la géolocalisation de type « range-free » exploite les notions de connectivité et de sauts pour éviter efficacement ces deux inconvénients. En effet, les nœuds fixes du réseau de capteurs dont on connait les positions sont appelés « Ancres ». Les autres nouds soumis à la géolocalisation avec des positions inconnues sont appelés « nœuds normaux ». Pour estimer leurs positions, ces nœuds normaux recueillent tout d'abord des informations de connectivité du réseau ainsi que la position des ancres, puis calculent leurs propres positions sans l'ajout de matériels supplémentaires pour la mesure et l'évaluation de la distance. La géolocalisation de type « range-free » peut donc s'adapter a tout type de transmission sans fil.L'objectif de cette thèse est de réaliser une étude sur la problématique de la géolocalisation dans les réseaux de capteurs sans fil ainsi que les différents outils exploités pour la famille « range-free ». Les points d'étude abordés se situent au niveau de l'algorithme de localisation de type « Dv-hops » et la proposition d'une nouvelle technique d'amélioration de la précision de localisation via les techniques d'apprentissage dites « Smart Computing » de type « Extreme Learning Machine (ELM) » ainsi que l'implémentation du modèle de géolocalisation sur une architecture reconfigurable de type FPGA. Le manuscrit de la thèse est organisé de la façon suivante : Le premier chapitre présente les différentes avancées des réseaux de capteurs sans fil et leurs récentes applications dans les domaines émergents de type « IoT » et « Industry 4.0 ». Le deuxième chapitre décrit la méthodologie adoptée pour la localisation dans les réseaux de capteur sans fil de type range-free. En effet, la machine d'apprentissage de type « Extreme Learning Machine » multicouches est proposée pour améliorer la précision de localisation dans les réseaux de capteurs sans fil. Une étude comparative entre les résultats de localisation est menée dans ce chapitre portant sur l'algorithme DV-Hop, le ELM à une seule couche cachée et le ELM à deux couches cachées. Le dernier chapitre décrit les différentes phases d'implémentation de notre approche de localisation dans les réseaux de capteurs sans fil via les machines d'apprentissage et spécialement l'ELM à deux couches cachées sur une architecture matérielle de type FPGA. Les outils d'implémentation logicielle et matérielle dans notre cas sont d'une part le « Matlab-XSG » de Xilinx pour les simulations et la génération des codes VHDL de l'implémentation de l'ELM multicouche, et d'autre part l'outil Vivado-HLS pour la synthèse et l'implémentation sur FPGA. Enfin, des conclusions et des perspectives de notre travail sont présentées.

New technologies exploiting digital information acquisition by radio frequency techniques are now commonly used in various practical fields. They are most often used to measure a variety of physical variables such as temperature, humidity, speed, etc. and are gathered under the name of Wireless Sensor Networks “WSN”. For this variant of applications, the accurate location of connected sensor nodes remains an important issue for researchers and industrial applications. Indeed, existing localization algorithms can be classified into two categories known as « range-based » and « range-free ». Range-based localization systems are characterized by major drawbacks. The first one is the cost of the additional hardware required to measure the distances between the sensor nodes. The other disadvantage concerns the accuracy of the measurements, which can vary according to several parameters related to the nature of the network and the environment: humidity, electromagnetic noise, obstacles, etc. In practice, range-free WSN exploits the notions of connectivity and hop count between inter-nodes to effectively avoid these two drawbacks. Indeed, the fixed nodes of the sensor network whose positions are known are called « anchors ». The other nodes subject to localization process with unknown positions are called « normal nodes ». To estimate their positions, these normal nodes first collect connectivity information from the network as well as the positions of the anchors, and then compute their own positions without the addition of extra hardware for distance measurement and evaluation. Range-free WSN can therefore be adapted to any type of wireless transmission.The objective of this thesis is to perform a study on the localization problem in wireless sensor networks as well as the different tools used for the « range-free » family. The points of study are located at the level of the localization algorithm of type « Dv-hops » and the proposal of a new technique of improvement of the localization precision via the machine learning tools known as "Smart Computing" based "Extreme Learning Machine (ELM)" as well as the implementation of the model of the localization on an FPGA hardware reconfigurable architecture. The thesis is organized as follows: Firstly, we present the different advances in wireless sensor networks and their recent applications in the emerging domains of "IoT" and "Industry 4.0". Secondly, we describe the methodology adopted for localization in range-free wireless sensor networks. Indeed, the multi-layer Extreme Learning Machine is proposed to improve the localization accuracy in wireless sensor networks. A comparative study between the localization results is conducted involving the DV-Hop algorithm, the single hidden layer ELM and the Deep-ELM characterized by two hidden layers. Finally, we describe the different phases of implementation of our localization approach in wireless sensor networks via machine learning and especially the two hidden layer ELM on an FPGA hardware architecture. The software and hardware implementation tools used are the "Matlab-XSG" from Xilinx for the simulations and the generation of the VHDL codes, and the Vivado-HLS tool for the synthesis and the implementation on FPGA. Finally, conclusions and perspectives of our work are presented.