ED Sciences Physiques et de l'Ingénieur
Contribution à l'implémentation d'algorithmes d'Intelligence Artificielle pour application de radiocommunications dans un contexte embarqué durci
par Antoine SIEBERT (Laboratoire de l'Intégration du Matériau au Système)
Cette soutenance a lieu à 10h00 - Amphithéâtre Jean-Paul DOM Laboratoire IMS, 351 Cours de la Libération, 33405 Talence Cedex
devant le jury composé de
- Guillaume FERRE - Professeur des universités - Bordeaux INP - Directeur de these
- Matthieu ARZEL - Professeur des universités - Université de Bretagne Sud - Rapporteur
- Vahid MEGHDADI - Professeur des universités - Université de Limoges - Rapporteur
- Nathalie DELTIMPLE - Professeure des universités - Bordeaux INP - Examinateur
- Bertrand LE GAL - Maître de conférences - INRIA - CoDirecteur de these
- Aurélien FOURNY - Ingénieur - THALES SIX GTS FRANCE - Examinateur
L'émergence de nouvelles exigences opérationnelles dans le domaine des radiocommunications militaires conduit à une complexification croissante des systèmes de transmission sans fil. Les perturbations engendrées par le multitrajet sur les signaux imposent des contraintes sur la conception des récepteurs radio impliquant une égalisation du signal précise et robuste. Ce processus d'égalisation nécessite une estimation du canal de propagation performante et fiable. Face à ces défis, l'adoption de solutions basées sur l'intelligence artificielle (IA) repousse les limites des méthodes algorithmiques traditionnelles. L'intégration de l'IA représente un levier d'innovation stratégique pour des entreprises telles que Thales. Cependant, dans un contexte embarqué soumis à des contraintes sévères (consommation énergétique, coût calculatoire), l'implantation directe de ces algorithmes d'IA est souvent irréalisable. Il devient alors impératif d'amender et compresser les modèles pour permettre leur intégration dans des produits de radiocommunication. L'objectif de ces travaux de thèse est double : d'une part, d'améliorer les performances d'un algorithme de traitement du signal usuel à l'aide de l'IA. D'autre part, optimiser le modèle afin de l'adapter aux exigences et aux contraintes associées à une exécution sur une plateforme embarquée, tout en limitant les dégradations de performances.