Annonce

Mots clés : 5G/6G, FRMCS, mobilité ferroviaire, SINR/BLER, HARQ, AMC, Machine Learning, co-simulation
MATLAB–Simu5G
Durée : 6 mois
Lieu : IMT Nord Europe – Campus de Lille / Villeneuve-d’Ascq
Encadrants : Dr. Yahia Medjahdi et Dr. Wajdi Elleuch (IMT Nord Europe, CERI-SN)

Contexte :
Avec l’arrivée du FRMCS (Future Railway Mobile Communication System), les trains à grande vitesse devront bénéficier de communications 5G NR robustes malgré des vitesses pouvant dépasser 300 km/h. Cette mobilité extrême entraîne des variations très rapides du canal radio, se traduisant par des fluctuations rapides du SINR, des rafales de retransmissions HARQ occasionnant des pics de latence difficiles à anticiper. Les mécanismes classiques d’adaptation de lien, principalement basés sur le retour d’information CQI (Channel Quality Indicator) et les boucles OLLA, reposent sur des mesures périodiques et introduisent un délai incompressible entre l’observation du canal, le retour du CQI et l’application effective du MCS. En environnement ferroviaire à grande vitesse, ce décalage temporel rend l’adaptation du lien réseau essentiellement réactive et peut conduire à des décisions de modulation et de codage inadaptées à l’état réel du canal.
Une plateforme de co-simulation a été développée dans laquelle Simu5G/OMNeT++transmet, à chaque trame, les paramètres radio et de mobilité (SINR, MCS, ressources radio allouées, états HARQ, vitesse, etc.) vers MATLAB 5G Toolbox, qui assure un traitement PHY réaliste intégrant la modulation OFDM, le décodage LDPC, l’estimation de canal et le calcul du BLER réel. Cette architecture constitue un terrain d’expérimentation favorable pour dépasser les limites des approches réactives actuelles et explorer des stratégies d’adaptation de lien proactives. Dans ce contexte, le stage vise à concevoir et à entraîner un modèle de Machine Learning capable de prédire des dégradations futures de la qualité radio à court
terme (50–100 ms) et d’adapter le MCS de manière anticipative, afin de réduire les rafales HARQ, stabiliser la latence et améliorer la robustesse et la résilience des communications ferroviaires.

Missions du stage :

1. Analyse et prise en main des outils
   • Comprendre les mécanismes PHY/MAC de la 5G (SINR, CQI, BLER, HARQ, OLLA, AMC).
   • Prise en main de Simu5G/OMNeT++ et de MATLAB 5G Toolbox ainsi que leur co-simulation
2. Construction d’un dataset
   • Simuler des scénarios ferroviaires à différentes vitesses (100–350 km/h) et collecter les données radio (SINR, BLER,
     …)
   • Générer des labels supervisés pour prédire la dégradation du signal.
3. Développement d’un modèle ML
   • Entraîner, comparer et optimiser des modèles supervisés pour prédire le SINR futur ou le risque de dégradation.
4. Intégration et validation
   • Intégrer le modèle dans Simu5G (C++ ou API Python).
   • Mise en place d’un AMC proactif : adaptation du MCS avant la dégradation.
   • Comparer l’AMC proactif (ML) vs. L’AMC réactif (CQI/OLLA).
5. Valorisation
   • Analyser l’impact sur : BLER, rafales HARQ, latence, débit, stabilité QoS.
   • Rédiger un rapport et présenter les résultats. Possibilité de publication (IEEE Access, VTC, PIMRC, etc)

Références :
[1] L. Tsipi, M. Karavolos, G. Papaioannou, M. Volakaki & D. Vouyioukas, “Machine learning-based methods for MCS prediction in 5G networks,” Telecommunication Systems, 2024.
[2] S. Peri, A. Russo, G. Fodor et P. Soldati, Offline Reinforcement Learning and Sequence Modeling for Downlink Link Adaptation, in Proc. IEEE International Conference on Machine Learning for Communication and Networking (ICMLCN), 2025.
[3] AK Gizzini, Y Medjahdi, AJ Ghandour, L Clavier, “Towards Explainable AI for Channel Estimation in Wireless Communications,” IEEE Transactions on Vehicular Technology, vol. 73, no. 5, pp. 5806–5820, May 2024.

Profil recherché :
Étudiant(e) de niveau Master 2 / Ingénieur dans les domaines :
– Réseaux & Télécoms
– Informatique / IA / Data Science
– Systèmes embarqués ou domaine proche

1. Qualités attendues :
   • Curiosité, rigueur scientifique, autonomie
   • Intérêt pour la 5G, la modélisation et l’expérimentation
2. Compétences requises
   • Bases solides en Python
   • Connaissances en Machine Learning supervisé
   • Bonnes notions réseaux / 5G (SINR, MCS, HARQ, CQI)
3. Compétences souhaitables
   • LightGBM / XGBoost / Scikit-learn
   • OMNeT++ / Simu5G / ns-3/ MATLAB 5G Toolbox
   • Connaissances en C++ (pour l’intégration)

Livrables attendus :
Dataset complet issu de la co-simulation
Modèle ML entraîné + code d’inférence intégré dans Simu5G
Implémentation du MCS proactif
Scripts d’expérimentation + graphiques de résultats
Rapport de stage + soutenance finale
Démonstration de l’AMC prédictif en mobilité ferroviaire

Candidature :

Envoyer CV + courte description d’intérêt à :
yahia.medjahdi@imt-nord-europe.fr et wajdi.elleuch@imt-nord-europe.fr

Début souhaité : Février – Mars 2026.