Description de la mission

Contexte :

Au sein de l’équipe « Digital Sciences & Technologies Department (DST)/ Safran Sensing Systems Applied Research (S3AR) » de Safran Tech, vous participerez au programme de recherche pour développer des capteurs et systèmes IoT innovants pour des applications aéronautiques. Vous serez en charge de proposer des algorithmes d’optimisation des ressources dans les réseaux IoT aéronautiques via l’apprentissage statistique dans les réseaux IoT aéronautiques.

En effet, l’IA et l'apprentissage statistique sont rapidement devenus des outils essentiels pour les futurs réseaux sans fil 6G. Dans ce contexte et motivées par la nature dynamique des réseaux sans fil émergents, les méthodes d'optimisation en ligne ont été exploitées avec succès pour concevoir des politiques d'allocation de ressources dans divers problèmes [1-3] en permettant des variations temporelles complètement arbitraires (même non stationnaires), ce qui est particulièrement adapté pour tenir compte des fluctuations non aléatoires du support sans fil, de la connectivité imprévisible et du comportement de mobilité des appareils IoT.

Objectifs du stage :

• Développer des algorithmes flexibles et adaptatifs d'optimisation de ressources (allocation de puissance, spectre, temps) qui soit peu complexes et qui nécessitent peu de retour d’information en exploitant des outils de l’apprentissage par renforcement (bandits manchot, e.g., [1][2]), de l'optimisation en ligne [3], et des heuristiques;
• Évaluer les différents algorithmes proposés via simulations numériques en MatLab ou Python;
• Interroger plusieurs capteurs aéronautiques connectés à plusieurs modules sans fil LPWAN afin de tester, et adapter si besoin, les algorithmes proposés sur une plateforme IoT LPWAN [4];

• Étudier la qualité et les performances des liens de communication sans fil dans des conditions de transmission difficiles.

Références :

• [1] H. El Hassani, A. Savard, and E.V. Belmega, "Adaptive NOMA in time-varying wireless networks with no CSIT/CDIT relying on a 1-bit feedback", IEEE Wireless Commun. Lett., vol. 10, no. 4, pp. 750-754, Apr. 2021.
• [2] I. Chafaa, E.V. Belmega, and M. Debbah, "One-bit Feedback exponential learning for beam alignment in mobile mmWave", IEEE Access, pp.194575-194589, Oct. 2020.
• [3] A. Marcastel, E.V. Belmega, P. Mertikopoulos, and I. Fijalkow, "Online power optimization in feedback-limited, dynamic and unpredictable IoT networks", IEEE Trans. on Signal Processing, vol. 67, no. 11, pp. 2987-3000, Jun. 2019.
• [4] R. M. Ghodhbane, "Maximization of Wireless Sensing Network’s Throughput Communicating with Long Range (LoRa) Modulation," IEEE International Conference on Advanced Technologies, Signal and Image Processing (ATSIP), Sousse, Tunisia, Jul. 2024.

Profil candidat

Etudiant (BAC+5) en fin de cycle d’école d’ingénieurs / master filière Télécommunications et/ou Systèmes embarquée.

Connaissances requises :

• Réseaux IoT : Low Power Wide Area Network (LPWAN).
• Apprentissage statistique.

Compétences :

• Programmation langage C/C++.
• MatLab ou Python

Qualités requises :

• Motivation forte et curiosité scientifique.
• Capacité à travailler en autonomie et esprit d’initiative développé.
• Organisation, méthodologie et capacités d'analyse et de synthèse.
• Esprit d'équipe : savoir partager et présenter son travail, savoir écouter.

Contact: Raouia GHODHBANE (SAFRAN Tech/DST/S3AR) : raouia.ghodhbane@safrangroup.com

E. Veronica BELMEGA (UGE/ESIEE Paris, LIGM) : veronica.belmega@esiee.fr

Localisation du poste : Safran Tech, Magny-les-Hameaux, Ile-de-France, YVELINES (78)