Navigation coopérative de véhicules autonomes basée sur la communication V2X dans un réseau de 5ème génération

Benelmir, Rima (2023) Navigation coopérative de véhicules autonomes basée sur la communication V2X dans un réseau de 5ème génération. Doctoral thesis, Université Mohamed Khider (Biskra - Algérie).

Text Thèse_RimaBENELMIR_Vfinale.pdf Download (6MB)

Abstract

Aujourd’hui, le transport routier est essentiel à nos routines quotidiennes et à nos activités commerciales. Cependant, la croissance exponentielle du nombre de véhicules a entraîné des problèmes tels que la congestion du trafic et les accidents de la route. La communication entre véhicules présente une solution innovante, envisageant un avenir où les véhicules communiquent entre eux, avec l’infrastructure routière, voire avec la route elle-même, partageant des données en temps réel pour optimiser la circulation et renforcer la sécurité. Cette thèse se concentre sur les technologies 5G et Beyond 5G (B5G), qui promettent de révolutionner la communication vehicle-to-everything (V2X). Avec l’avènement de la communication à ondes millimétriques (mmWave), une transmission de données à grande vitesse et à faible latence est essentielle pour les réseaux de véhicules. Cependant, la communication mmWave est confrontée à des problèmes d’affaiblissement du signal et d’interférences. Notre recherche se concentre sur la résolution de ces problèmes en utilisant une approche basée sur l’apprentissage. Trois contributions significatives sont proposées. Tout d’abord, nous introduisons une technique d’optimisation classique, l’algorithme du recuit simulé, pour améliorer l’alignement des faisceaux dans les réseaux de véhicules 5G. Cela réduit la latence et améliore la transmission de données entre les stations de base à mmWave et les véhicules. Notre deuxième contribution est une nouvelle approche impliquant un modèle hybride d’apprentissage profond qui prédit les angles optimaux des faisceaux. La combinaison d’un réseau de neurone convolutif 1D (1D CNN) et d’une mémoire récurrente bidirectionnelle à long terme (BiLSTM) améliore la précision de la prédiction et réduit les erreurs. Cette approche élimine les calculs et itérations qui prennent du temps et qui sont essentiels au succès des réseaux de véhicules B5G. La troisième contribution propose un modèle basé sur BiLSTM pour prédire les angles adaptés aux paires de faisceaux à la station de base à mmWave et du côté du véhicule en mouvement. Cette approche améliore la fiabilité de la transmission de données tout en minimisant les probabilités d’erreur et les surcharges lors de la recherche de faisceaux. Notre objectif est d’améliorer l’efficacité, de réduire la latence et d’améliorer la fiabilité des communications pour les véhicules connectés. Notre recherche pose les bases de la prochaine génération de communication entre véhicules et de son rôle essentiel dans la sécurité et l’efficacité du transport routier.

Actions (login required)

View Item