Multimodal collaborative perception and digital twin for intelligent resource management and reliable communication in 6G vehicular networks

Résumé

L’évolution vers les communications véhicule-à-tout (V2X) de sixième génération (6G) ouvre la voie à des opportunités sans précédent, tout en posant d’importants défis, notamment en matière de communications ultra-fiables à faible latence (URLLC), de prédiction d’état de canal, de gestion des obstructions et de gestion intelligente des ressources radio (RRM). Pour relever ces défis, il est essentiel d’exploiter les données issues de capteurs multimodaux, telles que la vision, le LiDAR et les mesures radio, au moyen d’approches innovantes fondées sur l’intelligence artificielle (IA), afin de renforcer les capacités de prédiction, d’optimiser l’utilisation des ressources du réseau et de garantir un fonctionnement robuste et contextuel. Cette thèse propose des cadres avancés de perception collaborative multimodale s’appuyant sur des techniques d’apprentissage profond de pointe, notamment les transformeurs visuels (ViT), les réseaux de neurones convolutifs (CNN) et l’apprentissage par renforcement profond (DRL), le tout intégré dans un environnement de jumeau numérique. Plus précisément, le cadre de co-simulation MVX introduit ici fait office de jumeau numérique, en fournissant des simulations à haute fidélité reproduisant les conditions réelles des réseaux véhiculaires. Ce jumeau numérique permet de prédire avec précision les obstructions en ligne de vue (LoS), d’optimiser les directions de faisceau, de prédire dynamiquement l’état des canaux, et de prendre des décisions proactives d’allocation des ressources. Les résultats illustrent l’intérêt pratique du jumeau numérique pour la gestion et la planification en temps réel des réseaux. Au travers d’évaluations approfondies, ce travail démontre des améliorations significatives par rapport aux approches classiques centrées sur les communications sans fil, notamment en termes de précision de prédiction, de réduction de la latence, d’efficacité spectrale et énergétique, ainsi que de performance URLLC robuste. En combinant capteurs multimodaux, méthodes avancées d’IA et technologies de jumeaux numériques, cette thèse s’attaque aux principaux obstacles techniques des réseaux véhiculaires de nouvelle génération, et établit les principes fondamentaux pour des écosystèmes de communication 6G intelligents, résilients et contextuellement adaptatifs, au service d’applications critiques telles que la conduite autonome et les infrastructures urbaines intelligentes.

Date	7 avr. 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Georges Kaddoum (Directeur(-trice))