Design of cognitive sensors networks for energy efficient applications

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.