Réseaux LoRaWAN : comment REQUEA améliore la performance des réseaux grâce à l’IA
Connecter des milliers d'équipements à distance permet de mieux suivre les réseaux d'eau et de piloter l'éclairage public sans multiplier les déplacements. Mais encore faut-il que les données remontent et que les commandes arrivent à destination. Dans les réseaux LoRaWAN, les conditions de communication varient d'un équipement à l'autre et peuvent entraîner des pertes de messages.
Pour répondre à ce défi, REQUEA s'appuie sur l'intelligence artificielle afin d'adapter les paramètres de communication aux conditions réellement observées sur le terrain. L'objectif : améliorer la fiabilité des échanges et utiliser plus efficacement les ressources du réseau, en tenant compte des besoins propres à chaque application.
1. Des réseaux connectés confrontés à des conditions de communication très variables
Tous les équipements ne bénéficient pas de la même qualité de liaison radio. Un compteur d'eau peut être installé dans un regard enterré ou derrière une dalle de béton ; une armoire d'éclairage peut se trouver dans un coffret métallique, au pied d'un mur, en fond de vallée ou à plusieurs kilomètres de la passerelle la plus proche. Dans les zones denses, de nombreux équipements peuvent également partager les mêmes ressources de communication.
Ces situations peuvent provoquer des pertes de messages, mais elles n'appellent pas toutes la même réponse. Lorsque le signal est faible, renforcer la robustesse de la transmission peut aider. En revanche, si le réseau est encombré, allonger la durée des transmissions peut occuper le canal plus longtemps et augmenter le risque de collisions. Et lorsqu'un équipement se trouve réellement hors de portée, aucun réglage radio ne suffira à rétablir la communication.
Le mécanisme ADR (Adaptive Data Rate), présent dans les réseaux LoRaWAN, ajuste automatiquement les paramètres de transmission en fonction de la qualité du signal reçu. Cette approche est utile, mais elle peut montrer ses limites dans des situations complexes. Les messages qui arrivent ne reflètent pas nécessairement ceux qui sont perdus : un équipement peut donc sembler bien communiquer alors qu'une partie de ses transmissions n'aboutit pas. De plus, les paramètres demandés par le réseau ne sont pas toujours ceux effectivement appliqués par l'équipement.
Pour les exploitants, l'enjeu dépasse donc la simple qualité du signal : il s'agit de comprendre pourquoi les communications échouent, de choisir une réponse adaptée et de vérifier qu'elle produit bien l'effet attendu sur le terrain.
2. REQUEA : une optimisation adaptée à chaque usage avec l'Intelligence Artificielle
Plutôt que de s'appuyer uniquement sur un indicateur de qualité radio, REQUEA exploite l'intelligence artificielle pour analyser les données disponibles sur le réseau et adapter les paramètres de transmission aux conditions rencontrées par chaque équipement. L'objectif n'est pas d'appliquer le même réglage partout, mais de choisir l'action la plus pertinente selon la situation.
Cette approche permet notamment de distinguer plusieurs cas : renforcer les transmissions lorsque cela peut améliorer la réception, éviter des ajustements contre-productifs lorsque le réseau est encombré, identifier les équipements qui semblent hors de portée et détecter les écarts entre les paramètres demandés et ceux réellement appliqués.
Des priorités adaptées aux besoins du terrain
Pour la télérelève des compteurs d'eau, la solution à base d'IA cherche à améliorer la récupération des index tout en maintenant un équilibre entre fiabilité des transmissions, temps d'occupation du canal et consommation énergétique. Les compteurs fonctionnant sur batterie, il est important d'éviter d'allonger inutilement les transmissions.
Pour le pilotage de l'éclairage public, la priorité est de rendre les armoires aussi pilotables que possible à distance et de repérer celles pour lesquelles le réseau atteint ses limites. Alimentées sur secteur, les armoires ne sont pas soumises à la même contrainte énergétique que les compteurs sur pile : la stratégie par IA permet de privilégier la robustesse radio là où elle est utile. Elle permet aussi de mieux cibler les éventuels besoins d'amélioration de couverture.
Des résultats mesurés en conditions réelles
Les performances de REQUEA ont été évaluées sur des réseaux en production, et non uniquement par simulation. Les résultats observés illustrent les bénéfices possibles d'une adaptation qui tient compte des conditions propres à chaque parc.
Sur les réseaux de télérelève des compteurs d'eau :
- Dans le parc urbain étudié, le taux de perte de messages est passé de 12,6 % à une valeur comprise entre 6,4 % et 7,2 %.
- Dans un scénario étudié, le temps d'occupation du canal a diminué d'environ 60 %, sans dégradation mesurable de la réception.
- Dans un contexte de télérelève en zone dense, le taux de restitution des index a été maintenu tout en réduisant d'environ 13 % le temps d'occupation du canal.
Sur un parc d'éclairage public :
- Sur un parc de 765 armoires, le nombre d'armoires pilotables de façon fiable — avec moins de 5 % de messages perdus — est passé de 300 à 510, soit une hausse de 70 %. Le taux moyen de perte de messages est passé de 15,2 % à 8,9 %.
- 34 armoires qui ne pouvaient plus être pilotées à distance ont de nouveau répondu à chaque commande, et 197 armoires fragiles ont été fiabilisées, sans ajout de passerelle ni intervention sur site.
- Le nombre d'armoires entendues par une seule passerelle a été divisé par deux, passant de 393 à 201. L'analyse a également permis d'identifier 41 armoires pour lesquelles la couverture du réseau devait être améliorée, regroupées en trois zones.
Ces indicateurs correspondent à des parcs et à des scénarios différents : ils ne sont pas directement comparables. Ils illustrent toutefois un même principe : en adaptant les communications au contexte réel, il est possible d'améliorer la fiabilité des échanges et de mieux identifier les actions utiles.
Mieux comprendre le réseau pour mieux agir
La performance d'un réseau connecté ne se résume pas au nombre de messages reçus. Pour la télérelève, il faut pouvoir récupérer les index attendus ; pour l'éclairage public, il faut que les commandes soient transmises et confirmées, et savoir quelles armoires nécessitent une action complémentaire.
REQUEA aide les exploitants à fiabiliser leurs réseaux et à mieux orienter leurs efforts en créant des modèles d'IA qui permettent de mieux piloter le réseau. L'ambition : une télérelève plus fiable, un éclairage public mieux piloté et une utilisation plus pertinente des ressources du réseau.
Pour aller plus loin sur les limites actuelles de l'ADR et l'émergence de solutions intelligentes
Historiquement, les mécanismes d'ADR reposent principalement sur l'évaluation de la qualité de la liaison radio afin d'adapter les paramètres de transmission du dispositif. Une approche simplifiée consiste à augmenter le Spreading Factor (SF) lorsque la qualité du signal est insuffisante. Toutefois, cette stratégie présente certaines limites, car une dégradation du signal peut résulter de situations très différentes, telles que l'éloignement de la passerelle, la présence d'obstacles, les interférences ou encore la mobilité du dispositif. Ces situations peuvent produire des observations radio similaires mais ne nécessitent pas forcément la même réaction.
Les études scientifiques sur le sujet présentent les mêmes conclusions : « L'expansion de l'Internet des objets (IoT) vers les applications grand public nécessite des protocoles de communication robustes et économes en énergie. Le réseau étendu à longue portée (LoRaWAN) est un élément clé de cette évolution, mais ses performances dépendent d'une attribution optimale du facteur d'étalement (SF), les mécanismes traditionnels de débit adaptatif (ADR) s'avérant insuffisants dans des environnements dynamiques. » Les auteurs de l'étude (Farhad et al. 2026) proposent de remplacer une adaptation classique du SF par un modèle de Machine Learning capable de prédire le SF approprié à partir de nombreuses caractéristiques de la situation radio. Une même dégradation de la qualité de communication peut être associée à des contextes radio différents. Ainsi, une approche fondée sur l'apprentissage automatique peut exploiter simultanément plusieurs caractéristiques afin de déterminer le SF le plus approprié. Les résultats sont obtenus par simulation ns-3, pas sur un véritable réseau LoRaWAN déployé dans une ville.
Les auteurs le reconnaissent eux-mêmes : les simulations ne reproduisent pas complètement les variations matérielles, les interférences incontrôlées et les spécificités d'un environnement réel. Ils indiquent qu'une validation sur des plateformes matérielles réelles reste nécessaire.
D'autres recherches portent le même constat : « Le débit adaptatif (ADR) optimise la communication en ajustant des paramètres tels que le facteur d'étalement (SF), la bande passante et la puissance d'émission. Cependant, les algorithmes ADR classiques s'appuient fortement sur le rapport signal/bruit (SNR) et l'indicateur de puissance du signal reçu (RSSI), ce qui les rend moins efficaces dans des environnements dynamiques complexes où la propagation du signal est influencée par des facteurs environnementaux et structurels. » Les chercheurs de l'étude (Smieja et al. 2026) notent que l'ADR classique regarde principalement des informations radio comme le SNR ou le RSSI pour décider comment configurer le capteur ; le problème étant que le SNR et le RSSI ne sont pas représentatifs de l'ensemble des situations possibles. Deux capteurs peuvent ainsi avoir des caractéristiques radio similaires, alors que les raisons de cette qualité de liaison sont différentes. Ils proposent alors un ADR qui repose sur une architecture DPHNN (Dual-Path Hybrid Neural Network) lui permettant de prendre en compte beaucoup plus d'informations que simplement le RSSI et le SNR.
Certains chercheurs (Zorbas et Tulebayeva 2026) vont jusqu'à repenser, non pas simplement l'ADR, mais la configuration globale du réseau grâce au Machine Learning sur un échantillon de simulation. Grâce au modèle XGBoost, les chercheurs prétendent répondre à la question suivante : quelle configuration LoRaWAN complète donnerait le meilleur compromis entre fiabilité et consommation énergétique, qui reste un pan majeur des problématiques liées au LoRaWAN (en témoigne cette thèse d'Abdoulaye, 2026).
Références
- Abdoulaye, Imourane. 2026. « Design of cognitive sensors networks for energy efficient applications ». LEAT - Laboratoire d'électronique, antennes et télécommunications. theses.fr/2026COAZ4002.
- Farhad, Arshad, Muhammad Ali Lodhi, Farhan Nisar, Hassan Jalil Hadi, Naveed Ahmad, et Mohamad Ladan. 2026. « LSML-SF: A Lightweight Stacked ML Approach for Spreading Factor Allocation in Mobile IoT LoRaWAN Networks ». Frontiers in Artificial Intelligence 9. doi:10.3389/frai.2026.1704369.
- Smieja, Eyasu, Bryan Hoeltzer, Giovanni Hines, Jui Mhatre, Ahyoung Lee, et Hoseon Lee. 2026. « Reinforcement Learning-Based Adaptive Data Rate Optimization for Improved LoRaWAN End Device Performance ». P. 1‑4 in 2026 IEEE Opportunity Research Scholars Symposium (ORSS).
- Zorbas, Dimitrios, et Saida Tulebayeva. 2026. « AI-Assistance for LoRaWAN Simulators ». P. 694‑701 in 2026 22nd International Conference on Distributed Computing in Smart Systems and the Internet of Things (DCOSS-IoT). doi:10.1109/DCOSS-IoT69657.2026.00110.
