Minimisation de la consommation énergétique dans un réseau de capteurs sans fil en utilisant une application basée sur des réseaux de neurones

Description

Les réseaux de capteurs sans fil (WSN) trouvent de plus en plus des applications dans des domaines tels que la ville intelligente, l'agriculture intelligente, la santé, la fabrication, le monitoring environnemental, etc. Pour de telles applications, des noeuds sont déployés dans des endroits éloignés pour collecter des informations à partir de capteurs et transmettre des données aux stations de base via communication sans fil. Cependant, en raison de la quantité limitée d'énergie dans les batteries des noeuds, ces applications ne peuvent pas fonctionner en continu ou sur une grande durée. La réduction de la consommation énergétique des réseaux de capteurs sans fil est donc un problème crucial. Le développement de l'Intelligence Artificielle (IA) a permis l'émergence de nombreuses approches innovantes pour répondre à diverses problématiques. Grâce aux progrès de la technologie, l'intégration de l'IA dans des systèmes embarqués de plus en plus contrains est désormais possible. Ceci permet de rapprocher le calcul le plus possible des données et donc plus près du capteur. Cela peut réduire le besoin de communication dans un réseau de capteurs sans fil, et peut être une solution pour augmenter son autonomie. Ce stage s'inscrit au coeur de cette problématique. L'objectif est d'explorer d'une part les réseaux de capteurs sans fil à travers leurs caractéristiques, les protocoles de communications et les techniques de réduction de la consommation énergétique existantes, et d'autre part l'intelligence artificielle à partir de ces nombreuses approches innovantes afin de proposer une architecture logicielle-matérielle faible consommation pour la réduction de la consommation énergétique dans les WSN. Sur la base de ces lignes directrices et d'une étude des modèles de réseaux de neurones embarqués sur microcontrôleurs, nous avons choisi le protocole LoRaWAN pour la communication dans un réseau de capteurs sans fil et les réseaux de neurones convolutifs (CNN) pour la prédiction des données des capteurs afin de réduire le nombre de transmissions au sein d'un tel réseau pour ainsi gagner en autonomie. Ensuite, nous avons présenté notre architecture faible consommation pour les réseaux de capteurs sans fil. Cette dernière s'appuie sur une approche matérielle basée sur la topologie et la communication entre les noeuds et une approche logicielle basée sur la prédiction de données avec des réseaux de neurones convolutifs pour la réduction du nombre de transmissions. Les modèles neuronaux construits et déployés avec MicroAI sont alors embarqués au niveau d'un cluster-head ou noeud puit dans une topologie de réseau hiérarchique en étoile. Plusieurs simulations ont par la suite été effectuées avec des données environnementales de capteurs et les résultats montrent que le réseau de neurones est bien capable d'apprendre à prédire les données réelles des capteurs avec une marge d'erreur satisfaisante. Enfin, nous avons implémenté la solution proposée et évalué la consommation énergétique d'une communication de données par rapport à une prédiction. Cela valide notre approche car la différence de consommation énergétique observée d'une part entre les modes actif et IDLE des cartes électroniques utilisées (Carte UCA) et d'autre part entre une prédiction et une communication montre qu'en prolongeant le mode de repos des noeuds capteurs avec la prédiction des données, la durée de vie du réseau est augmentée.

Abstract

Stage encadré par Cécile Belleudy et coencadré par Laurent Rodriguez et Benoît miramond

Additional details