Résumé:
Ce mémoire s’intéresse à l’utilisation de la technologie LoRa pour la localisation en
environnement intérieur, dans des contextes où les solutions classiques comme le GPS sont
inadaptées. L’approche repose sur l’exploitation de mesures RSSI issues de plusieurs
passerelles LoRa, combinées à des algorithmes d’apprentissage supervisé pour estimer la
position d’un émetteur. Trois types d’environnements ont été étudiés : bureau, couloir et
bâtiment à plusieurs étages. Une architecture complète, matérielle et logicielle, a été mise en
place, intégrant des modules LoRa, un système de collecte automatisée via Raspberry Pi, et une
base de données centralisée. Les données recueillies ont permis d’entraîner et d’évaluer
plusieurs modèles de classification (KNN, SVM, Random Forest). Les résultats montrent que
la précision de localisation dépend de l’environnement, de la disposition des passerelles et de
la stratégie de classification utilisée. L’algorithme Random Forest a obtenu les meilleures
performances dans l’ensemble des cas testés. Ce travail démontre le potentiel du couplage LoRa
– machine learning pour concevoir des systèmes de localisation intérieure efficaces,
économiques et évolutifs, tout en ouvrant la voie à de futures améliorations par des techniques
avancées comme le Deep learning ou la localisation collaborative.
