Thèses

Les travaux de doctorat de Taha Moussa portent sur la localisation indoor basée sur la technologie UWB (Ultra-Wideband), avec un intérêt particulier pour les environnements complexes caractérisés par des conditions de propagation difficiles (NLOS, multi-trajets). L’objectif principal est d’améliorer la robustesse et la précision des systèmes de localisation en intégrant des méthodes d’intelligence artificielle et de modélisation adaptative. Ces approches permettent de mieux détecter et atténuer les biais de mesure, et d’optimiser les performances des algorithmes de navigation et de positionnement en conditions réelles.

Application mapping is a key challenge in Network-on-Chip (NoC) architectures, as the way application tasks are placed on processing tiles has a direct impact on communication overhead and system performance. As applications become larger and more complex, traditional mapping approaches struggle to accurately capture their behavior, especially when shared global memory is involved. Most existing works mainly consider communication between tasks and tend to ignore memory accesses, even though these accesses can significantly affect the overall cost, especially with AI applications. This thesis builds on a memory-aware NoC mapping framework that explicitly includes global memory interactions in the application model. The modeling is further extended to better reflect the structure of modern compute workloads by clearly identifying computation tasks, communication tasks, and memory-access operations. The motivation for this work stems from the fact that recent AI models depend heavily on global memory for parameters and intermediate data, making memory-aware application modeling essential to achieve optimized and realistic NoC mapping solutions.

Les radars météorologiques, notamment les radars embarqués sur des plateformes mobiles, jouent un rôle clé dans la surveillance des catastrophes naturelles, la climatologie et l’agriculture. Les radars monostatiques à émission continue ont de nombreux avantages par rapport aux radars impulsionnels utilisés traditionnellement, notamment en termes de consommation énergétique réduite et de précision de détection améliorée. Cependant, ce type de radar est fortement limité par les fuites d’émission ainsi que par les bruits électroniques internes, qui dégradent la qualité des mesures.
L’objectif est de proposer des solutions innovantes de traitement adaptatif du signal reposant sur des méthodes de Machine Learning frugal, conçues pour une implémentation embarquée sur FPGA. Des architectures neuronales légères seront étudiées afin de permettre la séparation du signal utile des différentes sources de bruit tout en respectant des contraintes fortes de consommation et de ressources matérielles spécifiques aux plateformes embarquées.
Le travail proposé est issu d’une collaboration avec le LATMOS, laboratoire français expert dans l’instrumentation radar pour des applications spatiales, sol ou aéroporté, notamment dans le domaine météorologique.

The transition to the Post-5G era is driven by immersive services, including XR and holographic communications, which generate rapidly increasing traffic volumes across the entire network. According to the Cisco Visual Networking Index (2019)*, video traffic is expected to account for more than 82% of all IP traffic by 2022, resulting in a significant increase in the energy consumption of content delivery network (CDN) infrastructures. Existing energy control approaches remain insufficient for measuring and optimizing energy consumption of increasingly complex CDN infrastructure.

This thesis investigates a holistic energy control approach that integrates both measurement and optimization perspectives. Our strategy is to quantify the end-to-end energy consumption, from the core network to the end-user device, as a function of individual video flows. This enables a fine-grained characterization of the sources contributing to energy consumption. Building on this, we aim to develop an AI-driven model for energy-efficient resource orchestration. This model will extend existing 4G/5G approaches that aim to optimize resource usage across heterogeneous post-5G environments, including non-terrestrial networks (NTN/satellite), to enable energy-efficient delivery of video services.

*Cisco Visual Networking Index: Forecast and Trends, 2017–2022 White Paper (2019)

La thèse vise à analyser l’impact environnemental global des objets connectés intégrant de l’intelligence artificielle embarquée à travers une approche complète d’Analyse du Cycle de Vie. Elle ne se limite pas à la phase d’usage, mais intègre également les phases d’extraction des ressources, de fabrication et de fin de vie des équipements électroniques. Les travaux s’appuient sur deux cas d’usage : le projet OWL, portant sur un réseau de capteurs ultra-basse consommation dédié au monitoring environnemental, et le projet Light-Swift, centré sur un réseau de capteurs industriels temps réel réalisant de la classification d’événements sonores via de l’IA embarquée. La thèse compare différentes plateformes matérielles (microcontrôleurs, GPU, FPGA, NPU) et étudie les choix d’alimentation (pile ou batterie avec récupération d’énergie). L’objectif est de proposer une méthodologie et un outil d’évaluation permettant d’orienter les choix technologiques vers des architectures IoT embarquant de l’IA plus durables.

The rapid expansion of wireless communication networks has created an unprecedented abundance of ambient electromagnetic energy, yet most of this energy remains untapped. Harnessing this ubiquitous RF power in an efficient and scalable manner represents a key opportunity for enabling sustainable, self-powered wireless systems.

This PhD project focuses on the design of innovative metasurface antennas for ambient RF energy harvesting, aiming to enhance the sustainability of wireless systems. The core objective is to develop efficient, compact, and broadband metasurfaces capable of capturing and converting scattered electromagnetic energy from the environment into usable DC power. A key aspect of the research involves leveraging the unique beam-scanning and field- shaping properties of leaky-wave antennas within the metasurface architecture to improve angular coverage and harvesting efficiency across multiple frequency bands. The work encompasses full-wave electromagnetic simulation, optimization, and experimental prototyping to validate the designs. This research contributes to the growing field of wireless power transfer and self-powered IoT devices by proposing novel antenna solutions that address the critical challenge of powering autonomous systems.

A reconfigurable surface is a promising technology for 6G and future wireless communication systems, as it enables active control of the radio propagation environment to improve throughput and coverage. Such control, however, requires the transmission of additional information to configure the device, introducing a non-negligible overhead whose impact on system performance remains insufficiently studied.

This thesis aims at studying the fundamental bounds of communications aided by a reconfigurable surface from an information-theoretic perspective. The system is modeled as a channel with action-dependent states, where transmitted data and control signals are jointly encoded. The objective is to characterize achievable rates and fundamental bounds under various scenarios, including point-to-point communications, multiple access and broadcast channels, as well as the finite block-length regime. Particular attention will be devoted to characterizing the tradeoff between the rate allocated to control signals and that used for data transmission.

This PhD focuses on protecting wireless communication systems from intentional interference attacks at the physical layer. The goal is to develop methods combining sparse signal reconstruction and model-based deep learning to ensure signal availability in single-input single-output (SISO) communication systems. The work addresses information security by maintaining the receiver's ability to reliably transfer data despite malicious jamming.

Les objectifs de cette thèse sont de développer un modèle paramétré de l'impact environnementale globale des médias audiovisuels (streaming audio et vidéo), de l'évaluer et de mesurer l'impact des paramètres, puis d'exploiter les résultats pour proposer des solutions durables pour minimiser ces impacts.
Cette étude prendra en compte tout le cycle de vie des infrastructures et appareils utiles au fonctionnement des médias audiovisuels : des datacenters jusqu'aux terminaux des utilisateurs, et depuis l'extraction des matières premières jusqu'à la fin de vie des objets.