Protocoles Et Optimisation Rl Pour Les Réseaux D'essaims de Nanosatellites

Contexte (Thèse CIFRE en partenariat avec TéSA, CNES et Viveris)
Les essaims de nanosatellites sont appelés à transformer des domaines tels que l'observation de la Terre, l'exploration spatiale et les télécommunications en créant des constellations dynamiques, autonomes et résilientes.Cependant, à mesure que ces essaims gagnent en taille et en complexité, la gestion de leurs réseaux de communication devient un défi majeur. Les problématiques concernent notamment l'évolutivité, la gestion des ressources et la résilience face à des topologies en constante évolution.

Problématique et objectifs:
Cette thèse vise à développer des protocoles de communication adaptatifs pour les essaims de nanosatellites, intégrant des techniques d'apprentissage par renforcement (Reinforcement Learning, RL) afin d'optimiser les performances des réseaux.L'objectif principal est de proposer des protocoles robustes, capables de:

- s'auto-organiser et s'adapter en temps réel aux variations de topologie,
- gérer efficacement les ressources (bande passante, puissance et charge de calcul).

Axes de recherche clés:

- Protocoles de communication évolutifs : Développer des protocoles permettant de gérer les changements topologiques rapides, la forte mobilité et les ressources limitées des nanosatellites, tout en privilégiant l'adaptabilité, la fiabilité et la faible latence.
- Apprentissage par renforcement pour l'optimisation réseau : Explorer des techniques de RL (Q-learning, deep RL) pour permettre une optimisation dynamique des stratégies de communication, notamment l'ajustement des configurations de liaison, le routage et l'allocation des ressources selon les performances réseau et les conditions environnementales.
- Simulation et modélisation des essaims de nanosatellites : Utiliser des outils de simulation avancés (NS-3, OMNeT++, CNES SWARMS) et d'émulation (GoNetEm) pour modéliser les comportements des réseaux de nanosatellites et évaluer diverses stratégies de communication et algorithmes de RL.
- Optimisation multi-objectifs : Équilibrer plusieurs paramètres réseau, tels que la puissance de transmission et les délais de communication, grâce à la prise de décision basée sur le RL, afin de réduire la latence, économiser l'énergie et assurer une transmission fiable des données.

Contributions attendues:
Protocoles de communication décentralisés : Conception de protocoles permettant aux nanosatellites de former des réseaux ad hoc, de s'auto-organiser et de s'adapter en temps réel.
Reinforcement Learning (RL) : Développement de mécanismes d'optimisation basés sur le RL pour la configuration dynamique des liaisons, le routage et la gestion des ressources.
Plateforme avancée de simulation : Création d'un cadre de simulation permettant d'évaluer l'évolutivité et la résilience des protocoles et algorithmes proposés.
Détection d'événements et reconfiguration réseau : Étude de l'apport du RL dans la détection dynamique des événements réseau et l'adaptation des stratégies de communication.
Équilibrage de la charge et réduction de la latence : Proposition de techniques innovantes pour équilibrer la charge réseau et réduire la latence en fonction des données en temps réel.
- Essaim lunaire pour mission d'interférométrie : Inspiré d'une précédente étude de thèse portant sur la résilience des essaims et l'optimisation du routage dans un contexte interférométrique autour de la Lune (projet NOIRE).
- Essaims pour l'observation de la Terre : Développement de réseaux résilients pour des nanosatellites collaborant sur l'observation terrestre, nécessitant une communication en temps réel et une corrélation efficace des données.

Cette thèse ambitionne de faire progresser la conception des réseaux de nanosatellites en associant des protocoles de communication innovants au machine learning, posant ainsi les bases de la prochaine génération d'essaims spatiaux autonomes.