• Langue : Anglais
• Discipline : Electronique, microélectronique, nanoélectronique et micro-ondes
• Identifiant : 2025ULILN013
• Type de thèse : Doctorat
• Date de soutenance : 26/09/2025

Résumé en langue originale

Avec l'évolution des réseaux de sixième génération (6G), la demande en communications sans fil ultra-fiables, à haute capacité et à faible latence s'intensifie. Dans ce contexte, les systèmes user-centric cell-free massive multiple-input multiple-output (UC-CFmMIMO) émergent comme une architecture de rupture. En dissociant le service réseau des frontières cellulaires traditionnelles et en associant dynamiquement les points d'accès (APs) aux utilisateurs, l'UC-CFmMIMO permet une couverture homogène et continue, particulièrement adaptée aux environnements à forte mobilité tels que les réseaux véhiculaires. Bien que prometteur, le CFmMIMO n'est pas encore standardisé par le 3rd Generation Partnership Project (3GPP), même s'il fait l'objet d'études actives et pourrait être intégré dans la Release 19 attendue d'ici fin 2025. Cela souligne l'importance d'explorer des solutions pratiques et évolutives en vue de son déploiement futur.Cette thèse propose un cadre progressif pour la gestion des ressources fréquentielles dans les systèmes UC-CFmMIMO, avec un accent particulier sur les scénarios dynamiques liés à la mobilité véhiculaire. Le travail s'articule en trois étapes : il débute par des méthodes heuristiques exploitant certaines caractéristiques du canal, telles que le condition number (CN) et la corrélation de canal (CC), afin de guider l'allocation fréquentielle et la séparation spatiale des utilisateurs. Bien que peu coûteuses en calcul, ces méthodes présentent une adaptabilité limitée dans des environnements complexes et évolutifs.Pour répondre aux enjeux de passage à l'échelle et d'optimalité des solutions, la deuxième phase introduit des techniques d'optimisation métaheuristiques, notamment le Simulated Annealing et l'Aquila Optimizer. Ces approches renforcent les capacités de recherche globale pour résoudre un problème multi-objectifs visant à maximiser l'efficacité spectrale, promouvoir l'équité à l'aide de l'indice de Gini, et réduire les interférences par un meilleur conditionnement des canaux.La troisième et dernière étape intègre l'intelligence artificielle, avec l'usage de l'apprentissage par renforcement pour gérer de manière autonome l'allocation des ressources. Un modèle hybride est proposé, combinant l'algorithme Actor-Critic Deep Deterministic Policy Gradient (DDPG) à l'Aquila Optimizer. Cette intégration équilibre exploration et exploitation, permettant au système de s'adapter en temps réel à la dynamique complexe du réseau. L'approche s'inscrit dans l'évaluation des cadres AI-native pour les futurs systèmes sans fil.Les conditions de canal sont modélisées de manière réaliste à l'aide des modèles WINNER II et QuaDRiGa, afin de capturer les effets Doppler et le fading sélectif en fréquence caractéristiques des environnements V2X. Le cadre proposé est validé par des simulations approfondies, montrant des gains constants en efficacité spectrale, en équité et en robustesse par rapport aux méthodes traditionnelles ou basées uniquement sur l'apprentissage.En résumé, cette recherche propose une trajectoire évolutive allant des approches heuristiques aux techniques pilotées par l'IA pour l'allocation des ressources fréquentielles, apportant des solutions évolutives et adaptatives aux systèmes UC-CFmMIMO dans les réseaux véhiculaires de la 6G.

Résumé traduit

As the demand for ultra-reliable, high-capacity, and low-latency wireless communication intensifies with the evolution of sixth-generation (6G) networks, user-centric cell-free massive multiple-input multiple-output (UC-CFmMIMO) systems have emerged as a transformative architecture. By decoupling network service from traditional cell boundaries and dynamically associating access points (APs) with users, UC-CFmMIMO offers seamless and uniform coverage, particularly suited for high-mobility environments such as vehicular networks. Despite its potential, CFmMIMO has not yet been standardized by the 3rd Generation Partnership Project (3GPP), although it is under active investigation and may be included in Release 19, which is expected by the end of 2025. This highlights the importance of exploring practical, scalable solutions to support its eventual deployment.This thesis presents a progressive framework for frequency resource management in UC-CFmMIMO systems, with a specific focus on dynamic vehicular scenarios. The research evolves in three stages, beginning with heuristic methods that exploit channel characteristics, such as condition number (CN) and channel correlation (CC), to guide frequency allocation and spatial user separation. While computationally efficient, these methods have limited adaptability in complex, time-varying environments.To address issues of scalability and solution optimality, the second stage introduces metaheuristic optimization techniques, including Simulated Annealing and the Aquila Optimizer. These methods enhance global search capabilities in solving a multi-objective problem that aims to maximize spectral efficiency, promote fairness using the Gini index, and reduce interference through channel conditioning.The third and most advanced stage incorporates artificial intelligence, using reinforcement learning to autonomously manage resource allocation. A hybrid model is proposed that combines Actor-Critic Deep Deterministic Policy Gradient (DDPG) with the Aquila Optimizer. This integration balances exploration and exploitation, allowing the system to adapt in real time to complex network dynamics. The approach supports ongoing efforts to assess the feasibility of AI-native frameworks for next-generation wireless systems.Throughout the work, realistic channel conditions are modeled using WINNER II and QuaDRiGa, capturing Doppler effects and frequency-selective fading typical in V2X environments. The proposed framework is validated through extensive simulations, showing consistent gains in spectral efficiency, fairness, and robustness compared to traditional or standalone learning-based methods.In summary, this research presents an evolutionary path from heuristics to AI-driven techniques for frequency resource allocation, contributing scalable and adaptive solutions for UC-CFmMIMO systems in future 6G vehicular networks.