Avis de Soutenance
Monsieur Arzhang Shahbazi
Soutiendra publiquement ses travaux de thèse intitulés
“Machine Learning Techniques for UAV-Assisted Networks”
dirigés par Monsieur Marco Di Renzo
Soutenance prévue le lundi 21 novembre 2022 à 14h00
URL salle virtuelle :
https://cnrs.zoom.us/j/96727443398?pwd=SVFTcGRwNGNjMGRNbXN6cUZ5QVVsQT09
Code secret : 45T6RN
Composition du jury proposé
| M. Marco Di Renzo | CNRS/Université Paris-Saclay | Directeur de thèse |
| M. Jalel Ben Othman | University Paris 13 | Examinateur |
| Mme. Lina Mroueh | ISEP | Rapportrice |
| M. Trung Duong | Queens University Belfast | Rapporteur |
| Mme. Toktam Mahmoodi | King’s College London | Examinatrice |
| M. Alessio Zappone | University of Cassino | Examinateur |
| Mots-clés : | Réseaux cellulaires, Véhicule aérien sans pilote, Apprentissage automatique, Apprentissage par renforcement , Communication radar à double fonction |
| Résumé : |
| L’objectif principal de cette thèse est la modélisation, l’évaluation des performances et l’optimisation au niveau du système des réseaux cellulaires de prochaine génération équipés de drones en utilisant l’intelligence artificielle. En outre, la technologie émergente de détection et de communication intégrées est étudiée pour être appliquée aux futurs réseaux sans fil des drones. En particulier, en s’appuyant sur la technique d’apprentissage par renforcement pour contrôler les actions des drones, cette thèse développe un ensemble de nouveaux cadres d’apprentissage automatique pour incorporer des mesures de performance importantes dans l’agent, telles que le débit du système de communication et l’erreur de localisation, qui peuvent être utilisées pour l’analyse et l’optimisation au niveau du système. Plus précisément, un nouvel algorithme basé sur l’apprentissage est proposé pour maximiser le débit du système en utilisant une connaissance préalable de la probabilité de présence des utilisateurs dans un réseau. Un cadre d’apprentissage fédéré a été introduit pour trouver une planification optimale de la trajectoire en formant un agent avec un algorithme d’apprentissage profond dans différents environnements afin d’obtenir une généralisation et une convergence plus rapide. Les performances d’un drone équipé d’un système de communication radar à double fonction sont étudiées et les avantages potentiels de ces systèmes sont démontrés en optimisant conjointement le débit du système de communication et l’erreur de localisation. Abstract : The main focus of this thesis is on modeling, performance evaluation and system-level optimization of next-generation cellular networks empowered by Unmanned Aerial Vehicles (UAVs) by using Machine Learning (ML). In addition, the emerging technology of Integrated Sensing and Communication is investigated for application to future UAV wireless networks. In particular, relying on Reinforcement Learning (RL) technique for controlling UAV actions, this thesis develops a set of new ML frameworks for incorporating important performance metrics in to the RL agent, such as the communication system throughput and localization error, which can be used for system-level analysis and optimization. More specifically, a new learning-based algorithms proposed to maximize the system throughput by utilizing a prior knowledge of users likelihood of presence in a grid. A Federated Learning (FL) framework introduced to find an optimal path planning through training an agent with RL algorithm in different environment settings to achieve generalization and faster convergence. The performance of UAV equipped with Dual-Functional Radar Communication (DFRC) is investigated and the potential benefits of DFRC systems are shown by jointly optimizing communication system throughput and localization error. |
