Conception et évaluation d'un système de localisation intérieure utilisant LoRA

Abstract

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.