Thèse Detect New Decoding Artificial Intelligence-Based Techniques For Massive Machine-Type Communications Detect H/F - Doctorat.Gouv.Fr

Établissement : Université de Limoges École doctorale : Sciences et Ingénierie Laboratoire de recherche : XLIM Direction de la thèse : Jean-Pierre CANCES ORCID 0000000307585462 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-29T23:59:59 Le contexte visé par ce projet est celui du déploiement massif de réseaux de capteurs soit dans le cadre de la ville intelligente, soit dans le cadre de la télésurveillance de vastes zones comme les forêts pour la prévention des incendies. Nous nous placerons dans le cadre d'un accès multiple qui est reconnu comme facilitant l'accès massif typiquement le MUSA : Multi User Shared Access. Le MUSA a vraiment été conçu pour supporter le NOMA et le mode de transmission grant-free. On considère ici en effet que les capteurs peuvent transmettre leurs paquets à n'importe quel instant sans la moindre synchronisation avec la station de base ou station de collecte. De plus, il est possible que les données de plusieurs utilisateurs se superposent sur une même sous-porteuse. Le MUSA utilise la modulation OFDM pour le transport des données. La séparation des utilisateurs à la réception est facilitée par l'emploi de séquences d'étalement de faible longueur et par l'emploi de puissances d'émission différentes entre les utilisateurs. Cette séparation de puissance est faîte pour permettre à un récepteur de type SIC (Serial Interference Canceler) d'opérer dans les meilleures conditions possibles.
Dans le cadre du projet présenté ici, nous proposons une nouvelle méthode de détection basée sur le compressive sensing, qui n'utilise pas forcément une détection itérative des utilisateurs par puissance décroissante. Nous avons déjà développé au cours des années précédentes une véritable compétence autour de la détection des données en compressive sensing pour les applications de vidéo-surveillance. Cependant, pour pouvoir appliquer ici les techniques issues du compressive sensing, il faut pouvoir bénéficier des bonnes hypothèses de sparsity. Pour pouvoir bénéficier du caractère sparse des données observées nous supposerons qu'à un instant t donné, seule une petite fraction des capteurs est active dans le réseau (typiquement quelques pourcents). Cette hypothèse est fondamentale pour dérouler les algorithmes de détection à base de compressive sensing. Le doctorant dans le cadre de cette thèse aura à développer de nouveaux algorithmes de détection conjointe canal + utilisateurs actifs à l'aide d'algorithmes basés sur le compressive sensing et éventuellement en employant des algorithmes d'Intelligence Artificielle. Le sujet a pour cadre le projet BPI Flexogreen, horizon 2030, qui est dirigé par le centre de transfert CISTEM. Le doctorant participera aux réunions d'avancement du projet et sera intégré dans l'équipe RUBI (Réseaux Ubiquitaires) de l'axe SRI (Systèmes et Réseaux Intelligents) de l'UMR CNRS 7252 Xlim. Améliorer les performances des algorithmes existants dans la littérature et proposer éventuellement des implantations circuit Le doctorant, après une étude bibliographique poussée, devra proposer de nouvelles solutions particulièrement bien adaptées au contexte des communications MMTC.

Profil Ingénieur en Electronique et Télécommunications avec de bonnes connaissances sur les systèmes de Communication 5/6G et de solides connaissances en Algorithmie/Informatique