Informations de conception¶

Architecture du système

Ce projet repose sur la communication sans fil LoRa, avec une analyse approfondie des signaux via GNU Radio et une identification des émetteurs grâce à un modèle de machine learning.
• Émetteur (ESP32 WiFi LoRa 32 V2) : envoie des trames LoRa contenant des informations comme le CFO et le SF.
• Récepteur (bladeRF 2.0 micro) : reçoit les signaux LoRa via un SDR et les transmet à GNU Radio.
• Traitement du signal (GNU Radio + gr-lora) : décode les trames LoRa et extrait le CFO.
• Apprentissage automatique (MATLAB) : classifie les émetteurs en fonction des valeurs de CFO.

Choix technologiques

Le choix des technologies repose sur les besoins spécifiques du projet :
• Matériel : bladeRF 2.0 micro, ESP32 WiFi LoRa 32 V2
• Logiciel : GNU Radio, gr-lora, MATLAB

Pourquoi ces technologies ?
• GNU Radio : offre une flexibilité pour le traitement des signaux SDR.
• MATLAB : propose des outils avancés pour l’analyse et la classification machine learning.
• LoRa : permet des communications longue portée avec une faible consommation d’énergie.

Fonctionnalités des principaux modules

Contraintes et défis du projet
• Sensibilité du CFO au bruit → besoin de filtres avancés.
• Impact de la distance et des interférences → nécessité d’une calibration rigoureuse.
• Collecte de données → un nombre suffisant d’échantillons est nécessaire pour améliorer l’apprentissage.

Perspectives d’amélioration
• Amélioration du calcul du CFO pour réduire l’erreur et améliorer la précision.
• Augmentation du volume de données pour entraîner un modèle plus robuste.
• Optimisation des performances en temps réel pour rendre l’identification des émetteurs plus rapide et applicable à de grands réseaux LoRaWAN.