2019 | LoRaWAN: Learning framework for radio resource allocation in LoRaWAN

Learning framawork for Radio Resource Allocation in LoRaWANnd Big Data

Axe & tâche scientifique DigiCosme : ComEx
Coordinateurs : Kinda Khawam, Li-PARADSteven Martin, LRIOdalric-Ombrym Maillard, Inria
Chercheur postdoctoral :
Nhan NGUYEN-THANH
Institution : UVSQ
Adresse mail : ntnhan.vaa@gmail.com
Laboratoire gestionnaire: Li-PARAD
Adossé à l’action DigiCosme : GT Future Access Networks
Durée de la mission : 1 an

Contexte

Pour un déploiement sans couture de l’Internet des Objets (IoT), des solutions auto-gérantes sont nécessaires pour surmonter les défis liés à l’IoT, notamment le traitement des données massives et la gestion des resources restreintes (en termes de capacité de calcul, de mémoire et de batterie). L’une des solutions les plus prometteuses pour relever ces défis est le recours à l’intelligence artificielle. Il sera ainsi possible aux équipements IoT de fonctionner de manière autonome dans un environnement dynamique en mettant à contribution des techniques d’apprentissage innovantes et intrinsèquement distribuées, évitant ainsi aux équipements IoT de drainer leur énergie limitée en communiquant constamment avec un contrôleur centralisé.

Objectif

Nous nous pencherons dans le cadre de ce postdoc sur deux types d’apprentissage, à savoir l’apprentissage automatique (côté Station de Base) et l’apprentissage par renforcement (côté équipement). Pour chaque type d’apprentissage, les performances obtenues, la complexité du calcul et le type d’information requis pour le bon fonctionnement des algorithmes, seront étudiés en profondeur.

Productions Scientifiques

Deux publications dans des journaux internationaux.