Techniques d'apprentissage automatique pour les réseaux assistés par drone

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.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