Learning from the sky : design of autonomous radio-enabled unmanned aerial vehicles in mobile cellular networks - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2020

Learning from the sky : design of autonomous radio-enabled unmanned aerial vehicles in mobile cellular networks

Apprentissage depuis le ciel : design de drones autonomes équipés de lien radio pour les réseaux mobiles cellullaires

Résumé

The use of UAVs in wireless networks has recently attracted significant attention. The first part of this thesis aims to investigate current works of UAV-aided wireless communications and develop novel methods for both the placement and path design of a UAV as a flying RAN in wireless networks. We highlight how the use of city 3D maps can bring substantial benefits for the reliable self-placement of flying radios.Regardless of the placement or path design, all algorithms operate on the basis of an array of information such as node GPS location, the city 3D map, etc. allowing the prediction of radio signal strengths. While such data may be collected via the network before the actual UAV flight, part or all of the information may also have to be learned by the UAV. In this regard, a part of this thesis is devoted to discussing how to learn such information from the UAV-borne measurements.Assuming the availability of safe cellular connectivity, UAVs are becoming promising for a wide range of applications such as transportation, etc. The main challenge in these areas is the design of trajectories that guarantee reliable cellular connectivity all along the path while allowing the completion of the UAV mission. Hence, in the second part of this thesis, we propose a novel approach for optimal path design between an initial and terminal points by leveraging on a coverage map. Lastly, we discuss the experimental verification of the placement algorithm of a UAV relay in LTE networks.
L'utilisation de drones dans les réseaux sans fil a récemment suscité un vif intérêt. La première partie de cette thèse vise à étudier les travaux actuels sur les communications sans fil assistées par des drones et à développer de nouvelles méthodes pour le placement et la conception de la trajectoire d'un drone en tant que RAN volant dans les réseaux sans fil. Nous soulignons comment l'utilisation de cartes 3D des villes peut apporter des avantages substantiels pour l'autopositionnement fiable des radios volantes.Quel que soit l'emplacement ou la conception du chemin, tous les algorithmes fonctionnent sur la base d'un ensemble d'informations telles que la localisation GPS du nœud, la carte 3D de la ville, etc. permettant de prédire l'intensité des signaux radio. Si ces données peuvent être collectées par le réseau avant le vol réel du drone, une partie ou la totalité des informations peuvent également devoir être apprises par le drone. À cet égard, une partie de cette thèse est consacrée à la discussion sur la façon d'apprendre ces informations à partir des mesures prises par le drone. Dans l'hypothèse d'une connectivité cellulaire sûre, les drones deviennent prometteurs pour un large éventail d'applications telles que les transports, etc. Le principal défi dans ces domaines est la conception de trajectoires qui garantissent une connectivité cellulaire fiable tout au long du trajet tout en permettant l'accomplissement de la mission du drone. Ainsi, dans la deuxième partie de cette thèse, nous proposons une nouvelle approche pour la conception optimale de trajectoires entre un point initial et un point terminal en s'appuyant sur une carte de couverture.
Fichier principal
Vignette du fichier
ESRAFILIAN_Omid_2020.pdf (11.03 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03447742 , version 1 (24-11-2021)

Identifiants

  • HAL Id : tel-03447742 , version 1

Citer

Omid Esrafilian. Learning from the sky : design of autonomous radio-enabled unmanned aerial vehicles in mobile cellular networks. Computer Aided Engineering. Sorbonne Université, 2020. English. ⟨NNT : 2020SORUS307⟩. ⟨tel-03447742⟩
119 Consultations
45 Téléchargements

Partager

Gmail Facebook X LinkedIn More