La prédiction de la propagation des ondes radio joue un rôle essentiel dans la conception et l’optimisation des futurs réseaux de communications sans fil, notamment dans des environnements complexes comme les bâtiments, les usines ou les zones urbaines. Aujourd’hui, obtenir une prédiction fiable pour un environnement donné nécessite généralement de nombreuses mesures sur le terrain, dont la réalisation peut être longue et coûteuse. L’intelligence artificielle (IA) offre des perspectives intéressantes pour réduire ce besoin, mais les modèles entraînés sur des données simulées peinent encore à s’adapter aux conditions réelles.

L’objectif de cette thèse est de développer des méthodes d’IA capables de prédire avec précision la propagation radio dans un nouvel environnement à partir d’un nombre très limité de mesures. Il s’agira notamment d’étudier comment exploiter les connaissances acquises lors de simulations pour les transférer à des environnements réels. Les travaux s’articuleront autour de trois axes : identifier les caractéristiques de la propagation radio qui se prêtent le mieux à ce transfert ; développer des méthodes permettant de choisir intelligemment les points de mesure les plus utiles ; et tirer parti d’informations sur l’environnement, comme des images, des plans ou des données géométriques 3D, pour améliorer les prédictions.

Les résultats attendus comprennent de nouvelles méthodes d’IA nécessitant peu de mesures, une évaluation quantitative du compromis entre précision de prédiction et nombre de mesures nécessaires, ainsi qu’une validation sur des scénarios réalistes de propagation radio. À terme, cette thèse vise à réduire significativement les efforts et les coûts associés au déploiement de modèles précis de propagation radio adaptés à chaque environnement.