Algorithmes d'intelligence artificielle pour l'optimisation de la trajectoire des drones et la redirection de trafic dans le réseau de bordure

Artificial intelligence algorithms for optimization of UAV path planning and trafic routing in edge networks

• Auteur / Autrice : Simon Pichot
• Direction : Gentian Jakllari, André-Luc Beylot, Vania Conan
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Télécommunications
• Date : Soutenance le 19/12/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Etablissement délivrant conjointement le doctorat : Institut national polytechnique (Toulouse ; 1969-....)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
• Jury : Président / Présidente : Marcelo Dias De Amorim
• Jury : Examinateurs / Examinatrices : Gentian Jakllari, André-Luc Beylot, Vania Conan
• Jury : Rapporteurs / Rapporteuses : Selma Boumerdassi, Christelle Caillouet

Mots clés

Mots clés contrôlés

Drones

Apprentissage par renforcement (intelligence artificielle)

Algorithmes génétiques

Mots clés libres

Apprentissage par renforcement

Réseau de bordure

Algorithme génétiques

Planification de trajectoire

Drones

Systèmes temps réel

Reinforcement learning

Multi-access edge computing

Genetic Algorithms

Path Planning

UAV

Real-time systems

Résumé

Les derniers développements de l'écosystème réseau ont ouvert la porte davantage de flexibilité et de d'adaptabilité dans des portions auparavant plus rigides. Cela a permis à de nouveau paradigmes d'émerger tels que le Multi-Access Computing (MEC), consistant à rendre disponible des services plus proches du réseau d'accès, donc des utilisateurs. Cela comporte des avantages, mais occasionne aussi de nouvelles problématiques dont le traitement n'est pas trivial, et commande des techniques de résolution, parmi lesquelles l'intelligence artificielle. Ce dernier champ d'étude connaît une certaine publicité dernièrement, mais ses principes sont déjà connus et abondamment utilisés de l'industrie, notamment en informatique et en réseau, et en particulier par le moyen d'une de ses sous-catégories, l'apprentissage machine. La notion d'apprentissage est associée à celle de données, ce qui rend son usage dans l'écosystème réseau assez évident, mais de nombreux acteurs du réseau ainsi que les utilisateurs n'ont pas accès à ces masses de données que l'on imagine. Il existe heureusement des solutions d'apprentissage machine qui peuvent se passer de données.Cette thèse apporte à cette réflexion, utilisant des techniques d'apprentissages sans données pour concevoir des auxiliaires au niveau du réseau de bordure. Tout d'abord, y est étudiée l'utilisation d'algorithmes génétiques pour un problème de planification dynamique de trajectoire de drones avec une contrainte de préservation de connectivité, résiliente à des changements réalistes de l'environnement. Ensuite, avec un algorithme d'apprentissage par renforcement, un agent dynamique de redirection de trafic entre réseau de bordure et réseau de cœur a été conçu, qui veille à la satisfaction d'exigences de délai associées à la priorité des services tout en visant à minimiser la consommation d'énergie, et offre un cadre pour paramétrer ces deux objectifs contradictoires.

The latest developments of network science paved the way for more flexibility and adaptability in historically rigid segments of the network. It allowed new paradigms to emerge such as Multi-Access edge computing (MEC), making services closer to access network, hence to end users. This benefits several members of the network, but also brings new problems that need to be adressed by new solving techniques, including Artificial Intelligence. This field of study have lately drawn the attention of the public, but its principles are already well known and widely used in the industry, particularly in computer and network sciences, particularly through machine learning. The concept of training is closely linked to that of data, making its use in networks very natural. However, numerous actors do not have access to the existing flow of data. Fortunately, there are machine learning solutions for them that do not rely on data.This thesis investigate this approach, using dataless training techniques to design support tools in edge networks. Firstly, is considered the use of genetic algorithms for dynamic path planning with communication constraints, that is resilient to realistic changes of the environment. Then, through reinforcement learning, a agent is conceived for dynamic traffic routing between edge and core networks. This agent aims at satisfying delay requirements for services with different priorities while minimizing energy consumption, and this work includes the framework to fine-tune the balance between these two contradictory goals.