Séminaire LMCS – Dr. Walid BECHKIT de l’INSA de Lyon

Nous avons le grand plaisir de recevoir Dr Walid BECHKIT, enseignant et chercheur à l’INSA de Lyon, maître de conférences et membre de l’équipe de recherche UrbaNet du laboratoire CITI. Il animera une conférence le dimanche 27 février 2022 à 10h, en hybride (en présentiel et à distance), à la salle de conférences de la DG – Rez-de-chaussée, sur un thème très intéressant et d’actualité dont l’intitulé est  » Réseaux de capteurs sans fil au service du suivi des phénomènes physiques : de la théorie à la pratique « .

Dans le cadre de ce séminaire, nous considérons trois axes de travaux de recherche autour du suivi de phénomènes physiques avec des réseaux de micro- capteurs. Dans chacun des trois axes, nous présenterons à la fois des problèmes théo- riques et quelques solutions proposées ainsi que des développements expérimentaux et des résultats de déploiement réels.

Le premier axe concerne le déploiement de réseaux de micro-capteurs statiques pour le suivi de la qualité de l’air. Nous nous focalisons sur le problème de placement opti- mal de capteurs et nous présenterons différentes solutions basées sur des modèles d’optimisation linéaire. Par ailleurs, nous discuterons la conception et mise en place de nœuds capteurs optimisés, génériques et modulables, ainsi que des résultats de déploiement de plusieurs plateformes expérimentales en ville et sur sites industriels.

Le deuxième axe concerne la mesure citoyenne participatives de la qualité de l’air et des îlots de chaleurs urbaines. Nous présenterons dans le cadre de volet i) la concep- tion de systèmes de surveillance participatifs et à faible coût ii) des solutions d’analyse de données denses issues de micro-capteurs à bas coût et leur apport à la cartogra- phie fine de la qualité de l’air et iii) de nouveaux algorithmes sélection des chemins des participants afin d’améliorer la connaissance du phénomène. Le troisième volet concerne le suivi de panaches dynamiques avec des réseaux de drones collaboratifs. Dans ce cadre, nous présentons notre approche globale et systé- mique ainsi que notre architecture d’apprentissage profond permettant la prédiction spatio-temporelle des concentrations de pollution ainsi que les incertitudes associées. Quelques résultats validant notre approche sur des données réelles seront présentés et des travaux envisagés sur la partie expérimentale seront discutés.