17/03/25 – Séminaire de Walid BECHKIT, INSA de Lyon : From Environmental Monitoring with Low-Cost Wireless Sensor Networks to Energy-Efficient On-Device Deep Learning

Laboratoire ERIC, Salle K071 à 10h30

Résumé : Dans ce séminaire, je présenterai une synthèse des principaux travaux de recherche que j’ai menés au cours des dix dernières années, principalement axés sur les réseaux de capteurs sans fil pour la surveillance environnementale, ainsi que sur la réduction de la consommation énergétique dans les modèles d’apprentissage profond.

Je commencerai par exposer nos contributions dans le domaine des réseaux de capteurs fixes. Nous avons développé des solutions optimisées pour la détection et la cartographie de la pollution, en intégrant des modèles permettant d’optimiser à la fois le placement des capteurs à bas coût et leur ordonnancement. Ces travaux ont donné lieu, entre autres, à la conception et au déploiement de plusieurs plateformes expérimentales, dont certaines sont opérationnelles en conditions réelles depuis plusieurs années. Je poursuivrai avec nos travaux sur la mesure citoyenne participative, qui combine l’utilisation de dispositifs portatifs multi-capteurs et l’analyse des données collectées. Je présenterai notamment certains résultats concernant l’analyse des données issues de micro-capteurs pour la cartographie spatiale de la pollution. Je présenterai également nos avancées sur les réseaux de drones, conçus pour suivre des panaches de pollution fortement dynamiques. Je détaillerai l’architecture d’un modèle d’apprentissage profond pour la prédiction spatio-temporelle des données sur la pollution dynamique. Ensuite, je présenterai une approche intégrée combinant la prédiction spatio-temporelle, la planification des trajectoires des drones et l’assimilation des données. Les premiers résultats, validés sur des données réelles, démontrent l’efficacité de nos modèles pour capturer l’évolution des panaches de pollution.

Dans la dernière partie de ce séminaire, je discuterai de nos travaux récents visant à améliorer l’efficacité énergétique des modèles d’apprentissage profond. Je dresserai un tableau résumant les techniques utilisées pour réduire la consommation énergétique lors de l’entraînement, présenterai quelques résultats de comparaisons que nous avons menées, ainsi que nos premières contributions sur ce sujet.