LRLaurent Rodriguez

Laurent Rodriguez

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article

Previous Organizations / Institutes

The organizations / institutes from the scholar's other articles in the past ten years


Laurent Rodriguez has a total of 6 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Définition d'un substrat computationnel bio-inspiré : déclinaison de propriétés de plasticité cérébrale dans les architectures de traitement auto-adaptatif

    by Laurent Rodriguez

    L'augmentation du parallélisme, sur des puces dont la densité d'intégration est en constante croissance, soulève un certain nombre de défis tels que le routage de l'information qui se confronte au problème de "goulot d'étranglement de données", ou la simple difficulté à exploiter un parallélisme massif et grandissant avec les paradigmes de calcul modernes issus pour la plupart, d'un historique séquentiel.Nous nous inscrivons dans une démarche bio-inspirée pour définir un nouveau type d'architecture, basée sur le concept d'auto-adaptation, afin de décharger le concepteur au maximum de cette complexité. Mimant la plasticité cérébrale, cette architecture devient capable de s'adapter sur son environnement interne et externe de manière homéostatique. Il s'inscrit dans la famille du calcul incorporé ("embodied computing") car le substrat de calcul n'est plus pensé comme une boite noire, programmée pour une tâche donnée, mais est façonné par son environnement ainsi que par les applications qu'il supporte.Dans nos travaux, nous proposons un modèle de carte neuronale auto-organisatrice, le DMADSOM (pour Distributed Multiplicative Activity Dependent SOM), basé sur le principe des champs de neurones dynamiques (DNF pour "Dynamic Neural Fields"), pour apporter le concept de plasticité à l'architecture. Ce modèle a pour originalité de s'adapter sur les données de chaque stimulus sans besoin d'un continuum sur les stimuli consécutifs. Ce comportement généralise les cas applicatifs de ce type de réseau car l'activité est toujours calculée selon la théorie des champs neuronaux dynamique. Les réseaux DNFs ne sont pas directement portables sur les technologies matérielles d'aujourd'hui de part leurs forte connectivité. Nous proposons plusieurs solutions à ce problème. La première consiste à minimiser la connectivité et d'obtenir une approximation du comportement du réseau par apprentissage sur les connexions latérales restantes. Cela montre un bon comportement dans certain cas applicatifs. Afin de s'abstraire de ces limitations, partant du constat que lorsqu'un signal se propage de proche en proche sur une topologie en grille, le temps de propagation représente la distance parcourue, nous proposons aussi deux méthodes qui permettent d'émuler, cette fois, l'ensemble de la large connectivité des Neural Fields de manière efficace et proche des technologies matérielles. Le premier substrat calcule les potentiels transmis sur le réseau par itérations successives en laissant les données se propager dans toutes les directions. Il est capable, en un minimum d'itérations, de calculer l'ensemble des potentiels latéraux de la carte grâce à une pondération particulière de l'ensemble des itérations.Le second passe par une représentation à spikes des potentiels qui transitent sur la grille sans cycles et reconstitue l'ensemble des potentiels latéraux au fil des itérations de propagation.Le réseau supporté par ces substrats est capable de caractériser les densités statistiques des données à traiter par l'architecture et de contrôler, de manière distribuée, l'allocation des cellules de calcul.

  • Predictive Data-Driven Energy Efficiency in a Field-Deployed Wireless Sensor Network

    by Imourane Abdoulaye, Anthony Vigneron, Laurent Rodriguez, Cécile Belleudy, Benoît Miramond

    The limited energy resources in wireless sensor networks (WSNs) is a critical challenge to long-term operation, particularly in remote areas where recharging batteries is not easily feasible. This paper proposes an energy-efficient approach based on Convolutional Neural Networks (CNNs) for on-device data prediction at the Cluster Head (CH) level. By substituting certain data transmissions with predicted sensor values, this method minimizes radio communication, the most energy-intensive task in sensor nodes, thereby extending the network’s lifetime. We evaluate the performance of this approach by analyzing two neural network structures and operational modes in an environmental monitoring context. Simulations with real-world sensor data show that the CNN model accurately predicts sensor values with minimal error. Additionally, the solution is validated through real-world deployment in a WSN, with real-time monitoring, energy-efficient communication, and frame management. A detailed energy profile and consumption assessment is provided, alongside an estimation of network autonomy. Results indicate a reduction in data transmissions by over 50%, enabling ≈ 34.3% of energy savings and ≈ 57.0% improvement in network autonomy without compromising accuracy. This solution offers a practical approach for sustainable, long-term WSN deployments.


  • Semi-Decentralized Prediction Method for Energy-Efficient Wireless Sensor Networks

    by Imourane Abdoulaye, Cécile Belleudy, Laurent Rodriguez, Benoît Miramond

    [graphicalabstract] Addressing key challenges in Wireless Sensor Networks (WSNs) such as network lifetime, and energy balance, this paper introduces the Semi-Decentralized Prediction Method (SDPM) for energy-efficient wireless sensor networks. This approach enhances energy efficiency by combining clustering principles with data prediction for smart Cluster-Head (CH) selection. SDPM facilitates the periodic election of an effective CH from among the cluster-nodes, who then predicts data for the nodes within the cluster, thereby reducing transmission and conserving energy. Our findings demonstrate SDPM's significant impact on reducing energy consumption, promising for real-world WSNs to achieve longer network lifetime and better energy management.