La thématique principale de l’équipe RUBIH s’oriente autour de l’optimisation de l’allocation des ressources dans les réseaux à grande échelle tels que l’Internet des Objets (IoT), la future 5G et au-delà et autour de la transmission des données massives (Big Data) de différents types (Qualité de Service). En effet la coexistence de réseaux de capteurs déployés à grande échelle dans le cadre des smart cities avec les réseaux cellulaires classiques hauts débits hérités de la 4G impose de nouveaux défis au niveau de la gestion de la qualité de service globale du réseau. Les problèmes de mobilité des nœuds qui se retrouvent à plusieurs niveaux dans les réseaux font aussi l’objet de développements particuliers au sein de RUBIH. Par ailleurs, l’équipe RUBIH est fortement impliquée sur les problématiques d’allocation de capacité qui exigent l’utilisation d’outils d’optimisation complexes allant jusqu‘à la théorie des jeux et les techniques issues de l’Intelligence Artificielle (IA).

Les thématiques de recherche :

• Allocation de capacité dans les réseaux 5G et au-delà, gestion de la QoS dans l’IoT, Network Slicing - Une activité importante de l’équipe RUBIH concerne les stratégies d’allocation de ressources dans les réseaux. L’objectif est d’allouer intelligemment les ressources, en fréquence et en puissance, aux différents nœuds du réseau en garantissant une qualité de service (QdS) minimale aux différents utilisateurs. Ainsi, l’équipe RUBIH propose d’exploiter les diversités spatiale, fréquentielle et temporelle du canal radio afin de mettre en œuvre une stratégie d’adaptation de liens (techniques UEP et UPA) et d’ordonnancement permettant l’interaction, la plus optimale et dynamique que possible, entre les couches Physique, MAC et Application (pour de l’image ou de la vidéo). A ce titre, des associations entre le concept MIMO et des techniques d’accès orthogonale (OFDMA) ou non (NOMA de type SCMA par exemple) sont apparues comme 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 (smart cities), la seconde étape consiste à mettre en œuvre de nouvelles approches centralisées/décentralisées de découpage en réseau virtuel (Network slicing) et de séparation du plan de contrôle du plan de données (SDN: Software Defined Network) pour garantir des exigences hétérogènes en QoS pour de multiples utilisateurs.

• Techniques de compression avancées (Compressive Sensing) appliquées aux réseaux de vidéo-surveillance, techniques I.A. (Machine Learning, Deep Learning) - L’équipe RUBIH s’intéresse également aux réseaux plus contraignants tels que les réseaux de communication en milieu industriel (Industrie 4.0), ayant une contrainte forte d’interférence et des délais plus stricts, et dans le cadre également des réseaux de communication véhiculaires (contrainte de mobilité) en se basant sur des techniques d’apprentissage profond (deep learning et deep reinforcement learning). Dans ce contexte de virtualisation, l’équipe RUBIH s’intéresse aux fonctions virtuelles (VNF) et de gestion de mobilité dans les réseaux cellulaires et véhiculaires 5G. Par ailleurs, dans un contexte de réseau de capteurs sans fil multimédia, l’équipe RUBIH cherche à proposer des solutions de déploiement de réseaux innovantes permettant d’acheminer, par voie montante, de manière fiable et à faible complexité de l’image ou de la vidéo. Pour ce faire, nos stratégies d’adaptation de lien intègrent des schémas de « compressive sensing » liés à des techniques d’apprentissage à complexité réduite permettant de réduire le débit d’acquisition des capteurs multimédia. En effet, les données captées étant très souvent corrélées, nous pouvons en profiter pour réduire le nombre de transmission. 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, PCA (principal Component Analysis), etc.

• Massive MIMO et techniques de formation de faisceaux hybrides (analogiques + numériques) - L’équipe RUBIH travaille également sur des formateurs de faisceaux qui utilisent un très grand nombre d’antenne. Nous proposons des architectures originales, dite hybride, afin de réduire la complexité et la consommation de ces dispositifs complexes. Des collaborations avec l’axe SRF ouvrent en perspective le chemin vers une implantation matérielle. Dans le cadre d’une recherche industrielle, nous collaborons avec la société TransPod pour la conception des systèmes de transmission ultra-fiable dans une condition de propagation difficile, avec des bruits impulsifs liés au plasma et des variations de canal très rapide. Un démonstrateur matériel, à base des USRP, sera implanté. L’équipe RUBIH s’intéresse aussi aux systèmes à grand nombre d’antennes qui sont une réponse à la nécessité de rajouter toujours plus de capacité et qui sont rendus possibles par la montée en fréquence. Un des gros problèmes liés à l’utilisation de ces systèmes est la contamination des symboles pilotes pour l’apprentissage des canaux. L’équipe propose des algorithmes originaux pour diminuer le nombre de symboles pilotes et contrôler les niveaux d’interférence. Dans le contexte des accès NOMA (Non Orthogonal Multiple Access) qui sont un des enjeux majeurs de la 5G, l’équipe RUBIH mène également des études sur les techniques de partage des ressources par étalement de spectre par séquences à faible densité dans le cadre des systèmes SCMA (Sparse Code Multiple Access) et sur les techniques de partage utilisant des puissances différentes (PDMA : Power Division Multiple Access).

Partenariats :

Orange Lab, Transpod, Airbus, Région Nouvelle Aquitaine

Programmes de recherche nationaux et internationaux :

• Programme Européen SmartMet (2019-2022),
• Programme national ANR : MOMENT (2020-2024), CRE Orange Lab : Accès massif pour l’IoT dans la 5G