Automatic analysis of the propagation channel for the adaptation of ultra-low power radio frequency links dedicated to applications at very high autonomy.

Élément essentiel de l'internet des objets (IoT), les réseaux sans fil faible consommation, bas débit et longue portée (LPWAN) sont basés sur des systèmes de communication radiofréquence (RF). De ce fait, et comme pour tout système de communication RF, la qualité de la transmission dépend de la qualité du canal de communication RF correspondant à l'environnement physique et électromagnétique qui entoure le système. Ainsi, la transmission peut être dégradée par une perturbation de l'environnement physique (par exemple, le déplacement d'un objet) et/ou électromagnétique (par exemple, la présence d'une source d'interférence). Au moment de leur déploiement, les radios sont typiquement configurées de telle sorte à garantir une bonne qualité de transmission quelque soient les conditions de propagation. Pourtant, la plupart du temps, les conditions sont idéales pour une bonne communication : il n'y a pas de perturbations et le bilan de liaison est favorable. De ce fait, les radios consomment inutilement une quantité importante d'énergie. L'objectif de nos travaux est de rendre ces radios intelligentes, c’est-à-dire capables de déterminer les conditions de propagation du canal de transmission et d'adapter leur consommation en temps réel de manière autonome. Bien que des systèmes adaptatifs de transmission RF existent depuis longtemps dans les contextes cellulaires et WLAN, nos travaux s’adressent aux systèmes de transmission ultra-faible consommation utilisés dans les applications IoT à très grande autonomie énergétique. Nos travaux ont porté principalement sur la proposition de méthodes permettant l’analyse automatique du canal à chaque réception d’une trame de communication. Trois situations sont détectées : 1- le canal de transmission est non perturbé, 2- il est perturbé par de la mobilité dans son entourage ou 3- il est perturbé par des interférences électromagnétiques intentionnelles. Pour cela, nous avons dans un premier temps proposé l’utilisation de plusieurs signaux déjà existants dans le récepteur bande de base numérique du système de transmission comme signaux d’analyse du canal (CAS). Ces signaux se localisent à la sortie des algorithmes de démodulation, de désétalement et du décodage correcteur d'erreurs, qui correspondent aux blocs décisionnels de la chaîne de traitement de l’information. Nous avons ensuite proposé l’extraction de différentes caractéristiques, temporelles et fréquentielles, permettant de décrire la forme du signal d’analyse lors de la réception de la trame. Finalement, deux types de classifieurs, un arbre de décision et un classifieur gaussien évolutif capable d’apprendre les classes au fur et à mesure de leur apparition, ont été proposés. Les performances du système ont été évaluées à partir d’une base de données constituée d’exemples collectées à l’aide d’une radio répondant au protocole IEEE 802.15.4k que nous avons programmée sur une plateforme expérimentale à base d’USRP afin d'acquérir des signaux radiofréquences dans un environnement réel et en partie contrôlé. Au final, la solution retenue est un arbre de décision n’utilisant que deux caractéristiques temporelles de très faible coût computationnel, extraites à partir de la valeur absolue du produit Hermitien du signal en bande base reçu. Il permet de reconnaître une situation de canal non perturbé avec un taux de bonnes classification de 83%, et un risque moyen de classer une situation de mobilité ou d’interférence en situation non perturbée de 3%. Cela garantit une reconfiguration de la radio et donc une économie d’énergie dans plus de 80% des cas où cette économie est possible, avec un risque réduit de non réception de la trame dû à une reconfiguration des performances de la radio quand les conditions sont perturbées. Grâce à la faible complexité des méthodes proposées, l’analyse de la nature du canal de transmission peut être réalisée à faible coût énergétique à chaque trame reçue.An essential component of the Internet of Things (IoT) is Low Power Wide Area Network networks (LPWANs). LPWANs are based on radio frequency (RF) communication systems. Therefore, as any RF communication system, the quality of the transmission depends on the quality of the RF communication channel corresponding to the physical and electromagnetic environment surrounding the system. Thus, the transmission may be degraded by a disturbance in the physical environment (e.g. the movement of an object) and/or by a disturbance in the electromagnetic environment (e.g. the presence of an interference source). At the deployment, radios are typically configured to ensure good transmission quality regardless of propagation conditions. However, in the most of the time the conditions are ideal for a good communication: there are no disturbances and the link balance is favourable. As a result, radios consume a significant amount of energy unnecessarily. The goal of our work is to make these radios smart, i.e. capable of determining the propagation conditions of the transmission channel and adapting their energy consumption in real time autonomously. Although adaptive RF transmission systems have already existed for a long time in cellular and WLAN contexts, our work is aimed at ultra-low power transmission systems used in IoT applications with very high power autonomy. Our work focused mainly on proposing methods for the automatic analysis of the channel at each reception of a communication frame. Three situations are detected:1- the transmission channel is undisturbed, 2- it is disturbed by mobility in its environment, or 3- it is disturbed by intentional electromagnetic interference. For this purpose, we initially proposed the use of several signals already existing in the digital baseband receiver of the transmission system as Channel Analysis Signals (CAS). These signals are located at the output of the demodulation, despreading and forward error correction decoding algorithms, which correspond to the decision blocks in the information processing chain. Then we proposed the extraction of various temporal and frequency characteristics, making it possible to describe the pattern of the analysis signal when the frame is received. Finally, two types of classifiers were proposed: a decision tree and an evolutionary Gaussian classifier capable of learning classes as they appear. The performance of the system was evaluated from a database composed by examples collected using a IEEE 802.15.4k protocol radio. The radio was programmed on an experimental USRP-based platform in order to collect radio frequency signals in a real and partly controlled environment. Finally, the selected solution is a decision tree using only two temporal characteristics. These two characteristics have a very low computational cost and are extracted from the absolute value of the Hermitian product of the received baseband signal. The decision tree is capable to recognize an undisturbed channel situation with a good classification rate of 83%, and an average risk to classify a mobility or interference situation as undisturbed of 3%. This guarantees a reconfiguration of the radio and thus energy savings in more than 80% of the cases where this is possible. This power saving is achieved with a reduced risk of frame non-reception due to reconfiguration of the radio performance when the transmission conditions are disturbed. Thanks to the low complexity of the proposed methods, the transmission channel nature analysis can be performed with low energy cost for each received frame