Learning-Based Adaptive Approaches for Improving LoRaWAN Performance in Mobile Environments

FR:

Les réseaux LPWAN (Low Power Wide Area Networks), et en particulier LoRaWAN, occupent une place importante dans le déploiement de l’Internet des Objets (IoT) grâce à leur portée étendue, leur faible coût et leur efficacité énergétique. Cependant, leur conception initiale, orientée vers des nœuds statiques, limite leurs performances dans les scénarios de mobilité. Les environnements dynamiques, tels que les véhicules connectés, les drones, introduisent des pertes de données et des difficultés d’adaptation du protocole. Cette thèse vise à concevoir et valider des approches adaptatives, s’appuyant sur des techniques d’apprentissage automatique pour améliorer la fiabilité et l’efficacité énergétique de LoRaWAN en mobilité.

Parallèlement, lors de l’intégration de l’apprentissage dans l’environnement LoRa, des mécanismes d’adaptation appropriés doivent également être mis en œuvre. Compte tenu de la nature à grande échelle des déploiements LoRa et de la fiabilité limitée du réseau, il est essentiel d’envisager, en plus des approches classiques d’apprentissage, des paradigmes tels que l’apprentissage distribué, l’apprentissage en ligne et l’apprentissage en périphérie, afin d’optimiser le compromis entre l’efficacité de l’apprentissage et son coût.

L’objectif de cette thèse est de proposer des mécanismes d’adaptation intelligents pour LoRaWAN en environnement mobile. Ces approches, basées sur l’apprentissage automatique, devront permettre :

- La détection et la modélisation de la mobilité des nœuds : Développer des modèles d’apprentissage supervisé pour détecter la mobilité à partir d’indicateurs radio (RSSI, SNR, Doppler estimé). L’utilisation de radios logicielles (USRP) permettra la collecte de données brutes et l’entraînement de modèles précis capables de distinguer différents régimes de mouvement

- L’adaptation dynamique des paramètres du lien radio (spreading factor, puissance, canal) : Proposer une version améliorée du mécanisme ADR (Adaptive Data Rate) intégrant des techniques d’apprentissage par renforcement pour adapter dynamiquement les paramètres de communication selon la mobilité et la qualité du lien.

- La prévision des changements de couverture entre les passerelles. Concevoir un mécanisme prédictif permettant d’anticiper le changement de gateway via des modèles séquentiels. L’objectif est d’assurer la continuité du service tout en minimisant la perte de paquets et la latence.

-  Architecture d'apprentissage adaptée aux déploiements LoRa mobiles : Des efforts supplémentaires seront également consacrés à l’identification et à la mise en place d’architectures d’apprentissage adaptées aux déploiements LoRa mobiles à grande échelle, dans le but de maximiser l’efficacité de l’apprentissage tout en minimisant son coût.

- Validation expérimentale par radios logicielles (USRP) : Mettre en œuvre une plateforme expérimentale pour évaluer les performances du LoRaWAN standard et des solutions adaptatives proposées. Cette approche permettra de valider les modèles dans des scénarios de mobilité réelle.

Résultats attendus:

Modèles précis de détection de mobilité et d’adaptation de paramètres radio

Mécanismes ADR et handover intelligents validés expérimentalement

Architecture d'apprentissage adaptée aux LoRaWAN mobiles

Plateforme pour recherche expérimentale sur la mobilité

Réduction du taux de perte de trames, meilleure efficacité énergétique

=============

EN:

Low Power Wide Area Networks (LPWANs), and in particular LoRaWAN, have emerged as a key technology for the deployment of the Internet of Things (IoT) due to their extended range, low deployment cost, and energy efficiency. While LoRaWAN performs well in static scenarios, its original design does not account for node mobility, which limits its reliability and efficiency in dynamic environments. Applications such as connected vehicles, drones, and other mobile IoT devices introduce challenges including packet loss, variable link quality, and difficulties in adapting protocol parameters in real time. Addressing these limitations is crucial to ensure continuous, reliable, and energy-efficient communication in mobile IoT networks.

This thesis aims to design, implement, and validate adaptive mechanisms for LoRaWAN based on machine learning techniques, targeting improved reliability and energy efficiency in mobile scenarios. To achieve this, it is necessary to go beyond classical learning approaches and consider paradigms suited for large-scale deployments, such as distributed learning, online learning, and edge computing. These paradigms allow balancing the trade-off between learning effectiveness and computational or communication costs, which is particularly important in LoRa networks with constrained resources and intermittent connectivity.

The proposed contributions of this thesis focus on several key areas:

- Detection and modeling of node mobility: Supervised learning models will be developed to identify mobility patterns based on radio indicators such as RSSI, SNR, and estimated Doppler shifts. Software-defined radios (USRP) will be used to collect raw data and train models capable of accurately distinguishing between different mobility regimes.

- Dynamic adaptation of radio link parameters: The existing Adaptive Data Rate (ADR) mechanism will be enhanced using reinforcement learning techniques to dynamically adjust communication parameters such as spreading factor, transmission power, and channel selection. This adaptation aims to maintain link reliability and optimize energy consumption in the presence of mobility.

- Predictive handover between gateways: Sequential learning models will be employed to anticipate coverage changes and manage gateway handovers proactively. This predictive approach is intended to minimize packet loss, reduce latency, and ensure continuity of service for mobile nodes.

- Learning architectures for mobile LoRaWAN: Scalable and efficient learning architectures will be designed to support large-scale deployments of mobile LoRa nodes. This involves optimizing model distribution and computation to reduce overhead while maintaining high learning performance.

- Experimental validation: A testbed using software-defined radios (USRP) will be implemented to evaluate both the standard LoRaWAN performance and the proposed adaptive mechanisms. Real mobility scenarios will be reproduced to validate the effectiveness of the models and algorithms in practical conditions.

Expected outcomes of this thesis include precise models for mobility detection and radio parameter adaptation, experimentally validated intelligent ADR and handover mechanisms, efficient learning architectures for large-scale mobile LoRaWAN networks, and demonstrable improvements in packet delivery rate and energy efficiency. The results of this research are expected to contribute to the deployment of more robust, adaptive, and energy-efficient LoRaWAN-based IoT systems in dynamic environments, bridging the gap between theoretical machine learning approaches and practical IoT network requirements