Sujet de thèse IFSTTAR

English version
Fiche détaillée :

Titre : Comment concevoir un écosystème véhiculaire (V2X) intelligent, autonome et éco-responsable ?

Laboratoire principal - Référent principal COSYS - ERENA  -  MENDIBOURE Leo      tél. : +33 540002703

Directeur du laboratoire principal HEDHLI Abdelmename  -

Laboratoire 2 - Référent COSYS - LEOST  -  BERBINEAU Marion  -    -  tél. : +33 320438331/ 06 84 58 00 64

Spécialité de la thèse Informatique 27 et Traitement du signal 61

Axe 2 - COP2017 - Améliorer l'efficience et la résilience des infrastructures

Site principal Autre

Etablissement d'inscription

Ecole doctorale ENGSYS

Directeur de thèse prévu BERBINEAU Marion  -  Université Gustave Eiffel  -  COSYS - LEOST

Type de financement prévu Contrat doctoral  - Université Gustave Eiffel

Résumé

Contexte et enjeux

L’essor des systèmes de communication véhiculaires (V2X) et l’intégration croissante de l’intelligence artificielle (IA) dans les écosystèmes connectés ouvrent aujourd’hui la porte à la mise en œuvre de réseaux performants pour les véhicules automatisés et connectés. Toutefois, ces avancées s’accompagnent de nouveaux défis : minimiser les données transmises, réduire les calculs locaux et décentralisés, et limiter l’empreinte énergétique des systèmes de gestion [1]. Dans ce contexte, l’objectif de cette thèse est de concevoir un écosystème V2X capable de conjuguer intelligence, automatisation et efficacité énergétique.

Plus particulièrement l’idée portera sur l’idée d’une transition de réseaux centralisés, reposant sur des prises de décision au niveau des stations de base (BS) ou des unités de bord de route (RSU), voire au niveau du coeur de réseau, vers des réseaux décentralisés reposant sur des prises de décision au niveau des véhicules et utilisateurs eux mêmes. En effet, avec l’augmentation du nombre de véhicules connectés et plus largement de terminaux utilisateurs, les coûts liés au traitement centralisé et à la transmission des données augmentent fortement. De plus, le rôle central des équipements réseau dans l’infrastructure implique la mise en œuvre de solutions coûteuses pour limiter les risques de pannes et d’attaques [2]. Une évolution vers des modèles décentralisés et autonomes, pourrait permettre de mieux répartir la charge et de réduire les dépendances vis-à-vis des points critiques du réseau.

État de l’art

L’idée de réseaux décentralisés dans les écosystèmes V2X a commencé à être explorée, mais reste encore embryonnaire. Des travaux récents, comme ceux décrits dans [3], ou ceux que nous avons pu entreprendre au sein de l’équipe COSYS-ERENA [4] ont mis en avant l’apprentissage fédéré pour les communications entre véhicules, montrant qu’il est possible de réduire significativement les échanges de données tout en maintenant des performances acceptables. Toutefois, ces approches se concentrent principalement sur la gestion des communications et négligent souvent l’optimisation conjointe des calculs locaux et des ressources Edge, essentielles pour garantir un fonctionnement énergétiquement efficace. Dans la même voie, on peut ajouter que des travaux ont visé à considérer conjointement performance et sécurité en liant Blockchain et apprentissage fédéré mais en excluant l’idée d’une optimisation énergétique qui est une question essentielle aujourd’hui, au coeur de ce travail [5].

En parallèle, les technologies comme le Edge Computing ont été introduites pour rapprocher les capacités de traitement des utilisateurs finaux et ainsi permettre la mise en œuvre d’applications combinant contraintes en latence faible et en capacité de traitement importante. Des travaux tels que [6] montrent que le Edge Computing peut être utilisé pour réduire la latence et la consommation d’énergie dans les réseaux véhiculaires. Cependant, leur application aux réseaux V2X reste limitée et principalement orientée vers des scénarios ponctuels, sans une vision globale intégrant décentralisation et optimisation des ressources. On peut notamment remarquer que la prise en compte conjointe de problématiques réseau (diminution du nombre de messages, optimisation de l’utilisation de la bande passante) et de problématiques système (utilisation des ressources de calcul/stockage) est une idée qui n’a été que peu considérée jusqu’ici et qui permet d’associer différents domaines (traitement du signal, système, IA).

Objectifs et finalités

Pour répondre aux enjeux identifiés, cette thèse s’articule autour de trois axes principaux visant à développer un écosystème V2X décentralisé, performant et efficaces énergétiquement :

1. Mettre en place des réseaux de communication auto-gérés efficaces énergétiquement : L’idée sera de dans un premier temps développer les travaux existants qui ont posé des bases de réflexion pour la mise en œuvre d’architectures de communication décentralisées (communication, calcul directement au niveau du véhicule) en étendant les solutions proposées grâce à l’utilisation d’algorithmes d’apprentissage fédéré avancés (MADDPG par exemple) et en cherchant également à introduire une idée d’adaptation au contexte, notamment pour l’optimisation de la fréquence et de la sélectivité des échanges entre les véhicules pour limiter le nombre de messages sans compromettre les performances des applications critiques.

2. Optimiser énergétiquement l’utilisation des ressources de calcul : Le second objectif visera à s’appuyer sur l’optimisation du système de communication pour notamment réfléchir à deux idées principales : a) mettre en place des systèmes de mise en veille dynamique des services Edge pour éviter une consommation inutile lorsque les véhicules n’en ont pas usage et b) adopter des stratégies de dimensionnement adaptatif des ressources (CPU, RAM, stockage) en fonction de la charge et des besoins en temps réel. Il s’agira notamment de déterminer comment des algorithmes de consensus peuvent être mis en œuvre pour permettre aux véhicules de piloter la gestion de ces ressources de façon décentralisée.

3. Optimiser les systèmes d’IA en environnement distribué : Dans un troisième temps nous chercherons à optimiser le fonctionnement des algorithmes d’apprentissage mis en œuvre en nous appuyant sur des approches existantes (TinyML) et émergentes (Machine Unlearning) qui pourraient permettre a) de garantir le déploiement des solutions d’apprentissage distribués sur des machines aux capacités plus limitées (ie véhicules légers, drones, etc.) et b) limiter l’impact de l’intelligence artificielle sur la communication énergétique du système.

En définitive, l’idée sera donc de participer à la conception d’un système de communication décentralisé capable de répondre aux exigences croissantes de durabilité, de résilience et d’efficacité énergétique tout en garantissant le bon fonctionnement des cas d’usage critiques.

Références

[1] Hussein, N. H., Yaw, C. T., Koh, S. P., Tiong, S. K., & Chong, K. H. (2022). A comprehensive survey on vehicular networking: Communications, applications, challenges, and upcoming research directions. IEEE Access, 10, 86127-86180.
[2] Khan, M. A., Ghosh, S., Busari, S. A., Huq, K. M. S., Dagiuklas, T., Mumtaz, S., ... & Rodriguez, J. (2021). Robust, resilient and reliable architecture for v2x communications. IEEE Transactions on Intelligent Transportation Systems, 22(7), 4414-4430.
[3] Bhardwaj, S., Kim, D. H., & Kim, D. S. (2024). Federated Learning-Based Resource Allocation for V2X Communications. IEEE Transactions on Intelligent Transportation Systems.
[4] Ghnaya, I., Mosbah, M., Aniss, H., & Ahmed, T. (2023, May). Multi-Agent Advantage Actor-Critic Learning For Message Content Selection in Cooperative Perception Networks. In NOMS 2023-2023 IEEE/IFIP Network Operations and Management Symposium (pp. 1-9). IEEE.
[5] Formery, Y., Mendiboure, L., Villain, J., Denian, V., & Gransart, C. (2024). A Framework to Design Efficent Blockchain-based Decentralized Federated Learning Architectures. IEEE Open Journal of the Computer Society.
[6] Raza, S., Wang, S., Ahmed, M., & Anwar, M. R. (2019). A survey on vehicular edge computing: architecture, applications, technical issues, and future directions. Wireless Communications and Mobile Computing, 2019(1), 3159762.

Mots-clefs: V2X ; Réseaux décentralisés ; Apprentissage fédéré ; Edge Computing ; Optimisation énergétique

Laboratoire principal - Référent principal	COSYS - ERENA - MENDIBOURE Leo tél. : +33 540002703
Directeur du laboratoire principal	HEDHLI Abdelmename -
Laboratoire 2 - Référent	COSYS - LEOST - BERBINEAU Marion - - tél. : +33 320438331/ 06 84 58 00 64
Spécialité de la thèse	Informatique 27 et Traitement du signal 61
Axe	2 - COP2017 - Améliorer l'efficience et la résilience des infrastructures
Site principal	Autre
Etablissement d'inscription
Ecole doctorale	ENGSYS
Directeur de thèse prévu	BERBINEAU Marion - Université Gustave Eiffel - COSYS - LEOST
Type de financement prévu	Contrat doctoral - Université Gustave Eiffel
Résumé Contexte et enjeux L’essor des systèmes de communication véhiculaires (V2X) et l’intégration croissante de l’intelligence artificielle (IA) dans les écosystèmes connectés ouvrent aujourd’hui la porte à la mise en œuvre de réseaux performants pour les véhicules automatisés et connectés. Toutefois, ces avancées s’accompagnent de nouveaux défis : minimiser les données transmises, réduire les calculs locaux et décentralisés, et limiter l’empreinte énergétique des systèmes de gestion [1]. Dans ce contexte, l’objectif de cette thèse est de concevoir un écosystème V2X capable de conjuguer intelligence, automatisation et efficacité énergétique. Plus particulièrement l’idée portera sur l’idée d’une transition de réseaux centralisés, reposant sur des prises de décision au niveau des stations de base (BS) ou des unités de bord de route (RSU), voire au niveau du coeur de réseau, vers des réseaux décentralisés reposant sur des prises de décision au niveau des véhicules et utilisateurs eux mêmes. En effet, avec l’augmentation du nombre de véhicules connectés et plus largement de terminaux utilisateurs, les coûts liés au traitement centralisé et à la transmission des données augmentent fortement. De plus, le rôle central des équipements réseau dans l’infrastructure implique la mise en œuvre de solutions coûteuses pour limiter les risques de pannes et d’attaques [2]. Une évolution vers des modèles décentralisés et autonomes, pourrait permettre de mieux répartir la charge et de réduire les dépendances vis-à-vis des points critiques du réseau. État de l’art L’idée de réseaux décentralisés dans les écosystèmes V2X a commencé à être explorée, mais reste encore embryonnaire. Des travaux récents, comme ceux décrits dans [3], ou ceux que nous avons pu entreprendre au sein de l’équipe COSYS-ERENA [4] ont mis en avant l’apprentissage fédéré pour les communications entre véhicules, montrant qu’il est possible de réduire significativement les échanges de données tout en maintenant des performances acceptables. Toutefois, ces approches se concentrent principalement sur la gestion des communications et négligent souvent l’optimisation conjointe des calculs locaux et des ressources Edge, essentielles pour garantir un fonctionnement énergétiquement efficace. Dans la même voie, on peut ajouter que des travaux ont visé à considérer conjointement performance et sécurité en liant Blockchain et apprentissage fédéré mais en excluant l’idée d’une optimisation énergétique qui est une question essentielle aujourd’hui, au coeur de ce travail [5]. En parallèle, les technologies comme le Edge Computing ont été introduites pour rapprocher les capacités de traitement des utilisateurs finaux et ainsi permettre la mise en œuvre d’applications combinant contraintes en latence faible et en capacité de traitement importante. Des travaux tels que [6] montrent que le Edge Computing peut être utilisé pour réduire la latence et la consommation d’énergie dans les réseaux véhiculaires. Cependant, leur application aux réseaux V2X reste limitée et principalement orientée vers des scénarios ponctuels, sans une vision globale intégrant décentralisation et optimisation des ressources. On peut notamment remarquer que la prise en compte conjointe de problématiques réseau (diminution du nombre de messages, optimisation de l’utilisation de la bande passante) et de problématiques système (utilisation des ressources de calcul/stockage) est une idée qui n’a été que peu considérée jusqu’ici et qui permet d’associer différents domaines (traitement du signal, système, IA). Objectifs et finalités Pour répondre aux enjeux identifiés, cette thèse s’articule autour de trois axes principaux visant à développer un écosystème V2X décentralisé, performant et efficaces énergétiquement : 1. Mettre en place des réseaux de communication auto-gérés efficaces énergétiquement : L’idée sera de dans un premier temps développer les travaux existants qui ont posé des bases de réflexion pour la mise en œuvre d’architectures de communication décentralisées (communication, calcul directement au niveau du véhicule) en étendant les solutions proposées grâce à l’utilisation d’algorithmes d’apprentissage fédéré avancés (MADDPG par exemple) et en cherchant également à introduire une idée d’adaptation au contexte, notamment pour l’optimisation de la fréquence et de la sélectivité des échanges entre les véhicules pour limiter le nombre de messages sans compromettre les performances des applications critiques. 2. Optimiser énergétiquement l’utilisation des ressources de calcul : Le second objectif visera à s’appuyer sur l’optimisation du système de communication pour notamment réfléchir à deux idées principales : a) mettre en place des systèmes de mise en veille dynamique des services Edge pour éviter une consommation inutile lorsque les véhicules n’en ont pas usage et b) adopter des stratégies de dimensionnement adaptatif des ressources (CPU, RAM, stockage) en fonction de la charge et des besoins en temps réel. Il s’agira notamment de déterminer comment des algorithmes de consensus peuvent être mis en œuvre pour permettre aux véhicules de piloter la gestion de ces ressources de façon décentralisée. 3. Optimiser les systèmes d’IA en environnement distribué : Dans un troisième temps nous chercherons à optimiser le fonctionnement des algorithmes d’apprentissage mis en œuvre en nous appuyant sur des approches existantes (TinyML) et émergentes (Machine Unlearning) qui pourraient permettre a) de garantir le déploiement des solutions d’apprentissage distribués sur des machines aux capacités plus limitées (ie véhicules légers, drones, etc.) et b) limiter l’impact de l’intelligence artificielle sur la communication énergétique du système. En définitive, l’idée sera donc de participer à la conception d’un système de communication décentralisé capable de répondre aux exigences croissantes de durabilité, de résilience et d’efficacité énergétique tout en garantissant le bon fonctionnement des cas d’usage critiques. Références [1] Hussein, N. H., Yaw, C. T., Koh, S. P., Tiong, S. K., & Chong, K. H. (2022). A comprehensive survey on vehicular networking: Communications, applications, challenges, and upcoming research directions. IEEE Access, 10, 86127-86180. [2] Khan, M. A., Ghosh, S., Busari, S. A., Huq, K. M. S., Dagiuklas, T., Mumtaz, S., ... & Rodriguez, J. (2021). Robust, resilient and reliable architecture for v2x communications. IEEE Transactions on Intelligent Transportation Systems, 22(7), 4414-4430. [3] Bhardwaj, S., Kim, D. H., & Kim, D. S. (2024). Federated Learning-Based Resource Allocation for V2X Communications. IEEE Transactions on Intelligent Transportation Systems. [4] Ghnaya, I., Mosbah, M., Aniss, H., & Ahmed, T. (2023, May). Multi-Agent Advantage Actor-Critic Learning For Message Content Selection in Cooperative Perception Networks. In NOMS 2023-2023 IEEE/IFIP Network Operations and Management Symposium (pp. 1-9). IEEE. [5] Formery, Y., Mendiboure, L., Villain, J., Denian, V., & Gransart, C. (2024). A Framework to Design Efficent Blockchain-based Decentralized Federated Learning Architectures. IEEE Open Journal of the Computer Society. [6] Raza, S., Wang, S., Ahmed, M., & Anwar, M. R. (2019). A survey on vehicular edge computing: architecture, applications, technical issues, and future directions. Wireless Communications and Mobile Computing, 2019(1), 3159762.
Mots-clefs:	V2X ; Réseaux décentralisés ; Apprentissage fédéré ; Edge Computing ; Optimisation énergétique

Liste des sujets

N'oubliez pas de contacter préalablement le référent ou le Directeur du laboratoire