RUBI

Les thématiques principales de l’équipe RUBI « Réseaux sans fil UBiquitaires Intelligents » concernent l’optimisation de l’allocation des ressources dans les réseaux à grande échelle tels que l’internet des objets (IoT) et la 5G (et au-delà), ainsi que la transmission des données massives de différents types et de différentes qualités de service (QoS). En effet la coexistence de réseaux de capteurs déployés à grande échelle avec des réseaux cellulaires classiques hauts débits hérités du passé impose de nouveaux défis au niveau de la gestion de la QoS globale du réseau dans le cadre des smart cities, de l’industrie 4.0 ou des systèmes de transport intelligents (ITS). Les problèmes de mobilité des nœuds qui se retrouvent à plusieurs niveaux dans les réseaux font aussi l’objet de développements particuliers. Par ailleurs, l’équipe RUBI est fortement impliquée sur les problématiques d’allocation des ressources qui exigent l’utilisation d’outils d’optimisation complexes allant de l’automatique, du traitement du signal et de la théorie des jeux jusqu‘aux techniques issues de l’Intelligence Artificielle (IA).

Allocation des ressources dans les réseaux 5G et au-delà et gestion de la QoS dans l’IoT

L’équipe RUBI travaille sur les stratégies d’allocation des ressources dans les réseaux de télécommunications sans fil. L’objectif est d’allouer intelligemment les ressources, en fréquence et en puissance par exemple, aux différents nœuds du réseau 5G et au-delà en garantissant une QoS aux différents utilisateurs. Ainsi, l’équipe RUBI propose d’exploiter les diversités spatiale, fréquentielle et temporelle du canal radio afin de mettre en œuvre des stratégies d’adaptation de liens (techniques UEP et UPA par exemple) et d’ordonnancement permettant l’interaction, la plus optimale et dynamique que possible, entre les couches PHY, MAC et Application pour l’acheminement d’images ou des vidéos. A ce titre, des associations entre le concept MIMO et les techniques d’accès orthogonale (OFDMA) ou non orthogonale (NOMA) de type Power Division Multiple Access (PDMA) ou Sparse Code Multiple Access (SCMA) sont des solutions pertinentes dans cette stratégie d’optimisation inter-couches répondant à une QoS multi-utilisateurs. De même, toujours dans l’objectif d’améliorer la gestion du spectre ainsi que l’efficacité énergétique dans le contexte du déploiement massif de réseaux IoT comportant des dizaines voire des centaines de milliers de capteurs, la seconde étape consiste à mettre en œuvre de nouvelles approches centralisées/décentralisées de découpage en réseau virtuel (Network Slicing), de séparation du plan de contrôle du plan de données avec le Software Defined Networking (SDN), et de déploiement décentralisé du Multi-access Edge Computing (MEC) à l’aide des système multi-agents pour garantir des exigences hétérogènes en QoS pour de multiples utilisateurs.

Techniques d’IA et de Compressive Sensing appliquées aux réseaux hétérogènes

L’équipe RUBI travaille également sur des réseaux de télécommunications sans fil hétérogènes plus contraignants ayant de fortes interférences et des contraintes importantes de QoS, par exemple en milieu industriel (Industrie 4.0) ou pour les ITS, en se basant sur des techniques d’apprentissage profond comme le Deep Learning et le Deep Reinforcement Learning (DRL). Dans ce contexte, elle s’intéresse aux fonctions virtuelles (VNF) et de gestion de mobilité dans les réseaux cellulaires et véhiculaires 5G et au-delà. Pour les réseaux de capteurs sans fil multimédia, l’équipe RUBI cherche à proposer des solutions innovantes de déploiement de réseaux permettant d’acheminer, par voie montante, de manière fiable et à faible complexité de l’image ou de la vidéo. Pour ce faire, les stratégies d’adaptation de lien intègrent des schémas de Compressive Sensing à des techniques d’apprentissage à complexité réduite permettant de diminuer le débit d’acquisition des capteurs multimédia, par exemple pour la vidéo-surveillance ou le transport. En effet, les données captées étant très souvent corrélées, il est possible d’en profiter pour réduire le nombre de transmissions. Outre les techniques de Compressive Sensing, les techniques de Matrix Completion sont utilisées pour obtenir les données manquantes. On fait appel aux différentes techniques comme le clustering ou l’analyse en composantes principales (PCA).

Massive MIMO et amélioration de l’efficacité spectrale

L’équipe RUBI étudie également l’utilisation d’un très grand nombre d’antennes Massive MIMO en réception, en émission, et en relai réflecteur, pour augmenter la capacité des canaux de transmission particulièrement utile dans des zones à forte densité de population par exemple pour les smart cities. Les techniques de formateur de faisceaux hybride ont été développées pour réduire la complexité de la radio. Un des axes de recherche actifs concerne les surfaces reconfigurables intelligentes (RIS) pour améliorer la couverture des réseaux cellulaires. La forte mobilité est un autre challenge abordé qui génère des canaux doublement sélectifs en temps et en fréquence. L’équipe RUBI travaille sur la modulation OTFS et les problèmes liés à son identification de canal. Elle utilise les techniques d’apprentissage automatique pour réduire la complexité d’implantation.

Programmes nationaux

2023-2028 PEPR Réseaux du Futur FITNESS.

2023-2028 PEPR Réseaux du Futur PERSEUS.

2022-2026 ANR-21-CE25-0005 SAFE.

2020-2024 ANR-20-CE25-0004 MOMENT.

Partenariats

Airbus – Amirkabir University of Technology, Iran – Audensiel – Caplogy – CEA – CISTEME – IMT Atlantique – LaBRI, Université de Bordeaux – LAMIH, Université Polytechnique Hauts-de-France – LEAT, Université Côte d’Azur – LIMOS, Université Clermont Auvergne – LS2N, École Centrale de Nantes – L3i, Université de La Rochelle – Orange Lab – Polytechnique Montréal, Canada – Sup’Com, Tunisie – Transpod – Université Gustave Eiffel – University of Nebraska–Lincoln, USA.