Cette thèse aborde la résilience des systèmes de positionnement en intérieur (IPS), sur lesquels reposent les services basés sur la localisation (ILBS). En renforçant la capacité des IPS à s'adapter en cas de perturbations, nous visons à améliorer la disponibilité du service, même dans des environnements dynamiques et incertains comme les mines souterraines ou les sites industriels. Ce sujet présente un intérêt majeur pour les milieux académique et industriel. D'un côté, il propose à la communauté scientifique une approche systémique de la résilience, dépassant les méthodes classiques axées sur la robustesse ou la précision. De l'autre, il offre aux secteurs minier, logistique et manufacturier des solutions concrètes pour augmenter la disponibilité des services de localisation dans des environnements hostiles, où sécurité et efficacité opérationnelle sont essentielles. La contribution principale de cette thèse est un cadre conceptuel innovant, articulé autour de trois boucles de résilience : une boucle de stabilisation pour réagir aux perturbations immédiates, une boucle d'adaptation pour s'ajuster aux changements environnementaux, et une boucle d'évolution pour intégrer les retours d'expérience et garantir la pérennité du service. Ce cadre permet de concevoir des IPS en préservant les exigences de précision tout en maintenant le service opérationnel dans des contextes dynamiques et incertains. Pour valider cette approche, des expérimentations ont été réalisées sur une plateforme technologique de recherche développée au CRAN, complétée par des simulations numériques. Cette plateforme permet de tester et valider différentes méthodes et technologies de positionnement, telles que la lumière visible (Visible Light Positioning) ou encore des capteurs inertiels. Les résultats démontrent la capacité du système à basculer dynamiquement entre différentes méthodes de localisation face à des perturbations majeures, comme la perte de signal ou les erreurs de mesure. Ils illustrent également comment l'intégration de mécanismes d'apprentissage (humains et artificiels), offre un comportement résilient. En conclusion, cette recherche démontre la possibilité de concevoir des systèmes de positionnement en intérieur résilients, capables d'améliorer la disponibilité du service même dans les environnements les plus exigeants.

Cette thèse examine les défis fondamentaux liés à la sélection et à la surveillance des validateurs dans les protocoles de consensus tolérants aux fautes byzantines (BFT), qui constituent le fondement de la sécurité et de la performance des systèmes blockchain. Les approches existantes présentent des limites en matière d'adaptabilité dynamique et de détection proactive des comportements malveillants. Pour surmonter ces contraintes, nous proposons un cadre méthodologique combinant modélisation probabiliste, théorie de l'information et apprentissage automatique. Ce cadre introduit un modèle de dynamique d'opinion fondé sur une approximation de champ moyen permettant de prédire l'évolution des comportements des validateurs et de détecter précocement les anomalies, un protocole de sélection centrée dynamique optimisant le compromis entre performance réseau et décentralisation, ainsi que de nouvelles métriques de similarité comportementale basées sur la divergence de Jensen-Shannon, le coefficient de Bhattacharyya et la distance de Wasserstein. Les expérimentations sur des réseaux simulés démontrent l'efficacité de ces approches pour identifier des formes variées d'attaques, allant des déviations transitoires aux manipulations persistantes, tout en maintenant les garanties de sécurité propres au consensus BFT. Les résultats obtenus contribuent à renforcer la robustesse et l'adaptabilité des protocoles de consensus, en offrant des outils analytiques et méthodologiques pour la conception de blockchains plus fiables et performantes.

L'exposition professionnelle aux polluants constitue un enjeu majeur en santé au travail, en raison de ses effets potentiellement graves sur la santé des travailleurs et de la difficulté à caractériser précisément les situations d'exposition. La prévention de ces risques repose sur la capacité à mesurer, modéliser et représenter les concentrations de polluants dans le temps et dans l'espace. Cependant, les méthodes traditionnelles d'interpolation spatiale (e.g., krigeage), ne permettent pas de capturer la dynamique temporelle ni les hétérogénéités fines des phénomènes de diffusion observés dans les environnements réels. Ce travail vise à développer des approches de cartographie spatio-temporelle des concentrations de polluants intégrant explicitement la dimension temporelle et exploitant les mesures issues de réseaux de capteurs déployés en milieu de travail. Le problème étudié consiste à reconstruire le champ spatio-temporel des concentrations à partir de données partielles et bruitées, en combinant des stratégies d'échantillonnage, d'interpolation avec la modélisation physique. Un second objectif est d'évaluer la faisabilité d'estimer l'exposition individuelle des travailleurs à partir des cartes reconstruites et de leurs trajectoires spatio-temporelles. Deux approches de cartographie spatio-temporelle ont été développées : (1) une méthode fondée sur une modélisation tensorielle intégrant des contraintes de régularité spatio-temporelle, permettant de restituer la continuité des champs de diffusion ; et (2) une approche basée sur les réseaux de neurones informés par la physique (Physics-Informed Neural Networks, PINNs), qui intègre les équations différentielles gouvernant la diffusion-réaction des polluants. Ces méthodes ont été évaluées à partir de données expérimentales acquises en environnement contrôlé à l'INRS (Vandoeuvre-lès-Nancy) et fusionnées avec des trajectoires spatio-temporelles pour la reconstruction de l'exposition individuelle. Une modélisation 3D de l'environnement de travail a également été intégrée afin de générer des représentations réalistes de l'environnement étudié. Les résultats obtenus démontrent la capacité de ces approches à modéliser la dynamique spatio-temporelle des polluants et ouvrent la voie à de nouveaux outils d'aide à la décision pour la prévention des risques chimiques dans les environnements de travail.