2- Red 5G: Claves Tecnológicas para Velocidades Ultra Rápidas y Baja Latencia -

12/09/2024

La creciente necesidad de velocidades de transmisión de datos más altas y un mayor ancho de banda, junto con la explosión en el número de dispositivos conectados, ha impulsado el despliegue de la red 5G. Esta nueva generación de tecnología inalámbrica promete no solo una conectividad mejorada y una mayor capacidad, sino también velocidades de datos ultrarrápidas y una latencia mínima. Tecnologías emergentes como la Red Ultra Densa (UDN, Ultra Dense Network), MIMO masivo, comunicación Dispositivo a Dispositivo (D2D, Device-to-Device), Detectar, Controlar y Actuar (SCA, Sense, Control, and Act), Radio Full-Duplex y Radio Cognitiva son los pilares sobre los que se construye esta revolución. Estas tecnologías han permitido desarrollar características innovadoras en la red 5G, y la investigación actual se centra en modelos de estimación de canales híbridos para adaptarse a los diversos escenarios de implementación. Aunque la atención se ha centrado principalmente en la banda ancha móvil mejorada, (eMBB, enhanced Mobile Broadband) otros indicadores clave de rendimiento como las comunicaciones masivas tipo máquina, (mMTC, massive Machine Type Communications) y las comunicaciones ultra fiables de baja latencia, (uRLLC, ultra-Reliable Low Latency Communications) también son objeto de estudio, a pesar de los desafíos técnicos que presentan.

La tecnología 5G constituye un avance trascendental en el ámbito de la conectividad inalámbrica, al proporcionar velocidades de transmisión de datos y capacidades de ancho de banda que superan considerablemente a las generaciones anteriores. Por ejemplo, ahora es posible descargar una película en alta definición en tan solo unos segundos o disfrutar de eventos en vivo mediante realidad virtual junto a miles de otros espectadores, sin interrupciones ni demoras. Esto es posible gracias a 5G, que habilita estas experiencias y muchas otras más a través de tecnologías como MIMO masivo (Multiple Input, Multiple Output) y la comunicación D2D (Device to Device), las cuales optimizan la calidad de la señal y disminuyen de forma significativa la latencia.

Además, aunque gran parte de la investigación en 5G se ha concentrado principalmente en los servicios de banda ancha móvil mejorada (enhanced Mobile Broadband, eMBB), las aplicaciones futuras de esta tecnología, como el Internet de las Cosas industrial (IoT, Internet of Things) y los vehículos autónomos, ya se vislumbran en el horizonte. Estas posibilidades refuerzan aún más el impacto transformador que 5G tendrá en diversos sectores, abriendo nuevas oportunidades de desarrollo y evolución tecnológica.

La creciente demanda de mayores velocidades de transmisión de datos y mayor ancho de banda, sumada al incremento en el número de usuarios, ha impulsado el despliegue actual de la red 5G. En este contexto, se espera que las redes 5G ofrezcan una conectividad más robusta, una capacidad significativamente mejorada, velocidades de datos extremadamente rápidas y una latencia reducida. Entre las tecnologías emergentes que harán posible esta red de quinta generación se encuentran UDN (Ultra-Dense Networks), MIMO masivo (Multiple Input, Multiple Output), comunicación D2D (Device to Device), SCA (Software-Defined Cognitive Radio Access), Radio Full-Duplex y Radio Cognitiva. Todas estas innovaciones han permitido la implementación de diversas características avanzadas en la red 5G.

Además, recientes investigaciones destacan el desarrollo de una serie de nuevos modelos de estimación de canales, como los modelos de canales híbridos, diseñados para realizar mediciones precisas de los canales en distintos escenarios dentro de las redes 5G. Estos modelos se ajustan de manera eficaz a las diversas condiciones de uso que plantea esta nueva tecnología. Asimismo, múltiples estudios están actualmente en curso para habilitar escenarios 5G más avanzados.

Por otro lado, es importante señalar que las investigaciones se han enfocado principalmente en la banda ancha móvil mejorada (eMBB, enhanced Mobile Broadband). Sin embargo, otros indicadores clave de rendimiento (KPI, Key Performance Indicators), como las comunicaciones masivas tipo máquina (mMTC, massive Machine-Type Communications) y las comunicaciones ultra fiables de baja latencia (uRLLC, ultra-Reliable and Low-Latency Communications), han quedado relegados, en gran parte, debido a las dificultades para validar mMTC, dado que la alta densidad de conexiones requerida para su evaluación es extremadamente difícil de alcanzar con fines de prueba.

Tecnología 5G, Un Salto Cuántico en la Conectividad Inalámbrica: Baja latencia 5G para aplicaciones en tiempo real

En consecuencia, la tecnología 5G representa un salto cuántico en la conectividad inalámbrica, prometiendo velocidades de transmisión de datos y anchos de banda significativamente superiores a las generaciones anteriores (3GPP, 2023). Para ilustrarlo, mientras que las redes 4G alcanzan velocidades máximas teóricas de alrededor de 1 Gbps, las redes 5G pueden superar los 10 Gbps, lo que se traduce en descargas de películas en alta definición en cuestión de segundos (Dahlman et al., 2018). Asimismo, el ancho de banda ampliado de 5G permite una mayor densidad de dispositivos conectados simultáneamente, posibilitando aplicaciones como ciudades inteligentes con miles de sensores interconectados o estadios repletos de aficionados compartiendo experiencias en tiempo real (Ghosh et al., 2014).

Tecnologías Fundamentales para el Rendimiento 5G: MIMO masivo para eficiencia espectral y direccionamiento de señales

Hay que destacar, que el despliegue de 5G no solo depende de un aumento en la infraestructura de antenas, sino también de tecnologías subyacentes que hacen posible este rendimiento mejorado. Por ejemplo, la formación de haces electromagnéticos MIMO masivo (Multiple-Input Multiple-Output) permite dirigir señales de radio con precisión hacia dispositivos específicos, optimizando la calidad de la señal y reduciendo la interferencia (Larsson et al., 2014). De igual modo, la comunicación D2D (Device-to-Device) posibilita que los dispositivos se comuniquen directamente entre sí sin pasar por una estación base, disminuyendo la latencia y mejorando la eficiencia de la red (Tehrani et al., 2014).

En particular, las investigaciones en 5G se han centrado en gran medida en eMBB (enhanced Mobile BroadBand), que se refiere a aplicaciones que requieren altas velocidades de datos, como la transmisión de video en ultra alta definición o la realidad virtual inmersiva (3GPP, 2018). No obstante, las tecnologías mMTC (massive Machine-Type Communications) y uRLLC (ultra-Reliable and Low-Latency Communications), se relacionan con aplicaciones como la Internet de las Cosas (IoT) industrial y los vehículos autónomos, respectivamente, también son áreas de investigación activa, aunque su despliegue a gran escala presenta desafíos técnicos considerables (Popovski et al., 2018).

Así, 5G es una tecnología transformadora que garantiza poder revolucionar la forma en que nos conectamos e interactuamos con el mundo digital. Si bien su despliegue aún está en curso, las posibilidades que ofrece son vastas y abarcan desde aplicaciones de entretenimiento hasta soluciones industriales y de transporte de vanguardia.

5G, Mayor Conectividad, Capacidad y Velocidad: Soporte para una mayor densidad de dispositivos conectados

En cuanto a la mayor conectividad en 5G, esta se refiere a la capacidad de la red para soportar un número significativamente mayor de dispositivos conectados simultáneamente en comparación con 4G. Esto se logra mediante una combinación de tecnologías, como el acceso múltiple por división de código no ortogonal (NOMA, Non-Orthogonal Multiple Access) y la multiplexación espacial mejorada a través de MIMO masivo (Multiple-Input Multiple-Output) (Dahlman et al., 2018). En la práctica, esto significa que las redes 5G pueden acomodar una gran cantidad de dispositivos IoT, desde sensores en una fábrica inteligente hasta vehículos autónomos en una ciudad conectada, sin comprometer el rendimiento.

Asimismo, la capacidad mejorada en 5G se traduce en un aumento significativo en la cantidad de datos que la red puede transportar por unidad de tiempo. Esto se debe en parte al uso de frecuencias más altas, como las ondas milimétricas, que ofrecen un espectro de ancho de banda mucho mayor que las frecuencias utilizadas en 4G (Ghosh et al., 2014). Además, tecnologías como la agregación de portadoras y la modulación de orden superior permiten una utilización más eficiente del espectro disponible, lo que resulta en una mayor capacidad general de la red. Esto es crucial para aplicaciones que demandan un gran ancho de banda, como la transmisión de video en ultra alta definición o la realidad virtual inmersiva.

En lo que respecta a las velocidades de datos de alta velocidad en 5G, se refieren a la capacidad de la red para transferir datos a velocidades mucho más rápidas que las generaciones anteriores. Esto se logra mediante una combinación de factores, como el uso de frecuencias más altas, técnicas de modulación avanzadas y MIMO masivo (3GPP, 2023). En la práctica, esto significa que los usuarios pueden experimentar descargas de archivos casi instantáneas, streaming de video sin interrupciones y una experiencia de navegación web mucho más fluida.

Por otro lado, la baja latencia en 5G se refiere al tiempo mínimo que tarda un paquete de datos en viajar desde el dispositivo del usuario hasta el servidor y viceversa. Esto se logra mediante una combinación de tecnologías, como la computación de borde móvil (MEC, Mobile Edge Computing) y la optimización de la red central (3GPP, 2018). La baja latencia es fundamental para aplicaciones en tiempo real, como los juegos en línea, la realidad aumentada y los vehículos autónomos, donde incluso un pequeño retraso puede tener consecuencias significativas.

Tecnologías Emergentes que Impulsan la Red 5G: Enfoque en eMBB, mMTC y uRLLC

En relación a la Red Ultra Densa (UDN, Ultra Dense Network), se refiere a la implementación de una gran cantidad de pequeñas celdas o puntos de acceso en un área geográfica determinada, lo que aumenta significativamente la capacidad y la cobertura de la red 5G. Esto permite una mayor densidad de usuarios y dispositivos conectados, así como una mejor calidad de servicio en áreas de alta demanda, como estadios o centros comerciales (Bhushan et al., 2014).

Por otro lado, la tecnología MIMO masivo (Multiple-Input Multiple-Output) utiliza múltiples antenas tanto en el transmisor como en el receptor para mejorar la eficiencia espectral y la capacidad de la red. Esto se logra mediante la formación de haces electromagnéticos, que permite dirigir las señales de radio hacia dispositivos específicos, y la multiplexación espacial, que permite transmitir múltiples flujos de datos simultáneamente en el mismo canal de frecuencia (Larsson et al., 2014). El MIMO masivo es fundamental para lograr las altas velocidades de datos y la baja latencia obtenidas en 5G.

Igualmente, la comunicación D2D (Device-to-Device) permite que los dispositivos se comuniquen directamente entre sí sin necesidad de pasar por una estación base o un núcleo de red. Esto reduce la latencia y mejora la eficiencia de la red, especialmente en escenarios donde los dispositivos están cerca unos de otros, como en aplicaciones de juegos multijugador o de colaboración en tiempo real (Tehrani et al., 2014).

Junto a esto, el Acceso Compartido al Espectro (SCA, Spectrum Sharing Access) permite que múltiples operadores o sistemas compartan el mismo espectro de frecuencia de manera dinámica y eficiente. Esto mejora la utilización del espectro y permite una mayor flexibilidad en la asignación de recursos, lo que es especialmente importante en un entorno donde la demanda de espectro está en constante aumento (Agiwal et al., 2016).

También, la Radio Full-Dúplex permite la transmisión y recepción simultáneas en la misma frecuencia, lo que duplica potencialmente la capacidad del canal de comunicación. Aunque presenta desafíos técnicos significativos en términos de cancelación de la autointerferencia, la radio full-duplex puede mejorar significativamente la eficiencia espectral y la capacidad de la red 5G (Sabharwal et al., 2014).

Adicionalmente, la Radio Cognitiva utiliza técnicas de inteligencia artificial y aprendizaje automático para adaptarse de manera dinámica al entorno de radiofrecuencia, optimizando el uso del espectro y mejorando el rendimiento de la red. Esto incluye la detección y el uso de canales de frecuencia no utilizados, la adaptación de la potencia de transmisión y la selección de la mejor tecnología de acceso para cada dispositivo y aplicación (Mitola & Maguire, 1999).

Adviértase la importancia que tiene comprender que la tecnología 5G representa una evolución significativa respecto a las generaciones anteriores de redes móviles, gracias a su capacidad para soportar una conectividad masiva, mayor capacidad de usuarios, y ofrecer velocidades de datos ultra-rápidas con baja latencia. En el contexto de las redes 5G, como hemos descrito diversas tecnologías emergentes juegan un papel fundamental. De la misma manera, la tecnología de antenas masivas MIMO, (Massive MIMO, Multiple Input Multiple Output), que utiliza un gran número de antenas en las estaciones base, mejora la capacidad y la cobertura de la red (Marzetta, 2016). A través de estas innovaciones, la red 5G no solo soporta mayores velocidades, sino que también mejora la experiencia del usuario y habilita nuevas aplicaciones industriales y de consumo (Andrews et al., 2014). Según recientes estudios, las investigaciones sobre estas tecnologías han permitido la creación de nuevos modelos de canales híbridos, diseñados para adaptarse a los diferentes escenarios de la red 5G (Cheng et al., 2020).

Al explorar los modelos de canales híbridos, se destaca su enfoque innovador al combinar diversas técnicas para lograr mediciones de canales más precisas. Estos modelos, al integrar tanto técnicas basadas en modelos como en mediciones empíricas, se convierten en una herramienta esencial en el dinámico entorno de las redes 5G, caracterizado por su constante cambio y expansión (Heath et al., 2016). En esencia, esto permite que los modelos de estimación de canales se adapten de manera flexible a las variaciones del entorno, lo que se traduce en una mejora significativa en la precisión de la estimación del canal y, consecuentemente, en la calidad de la transmisión de datos.

Los estudios señalan que estos modelos son especialmente valiosos en entornos densamente poblados o en aplicaciones que demandan una alta precisión, como es el caso de los vehículos autónomos o la realidad aumentada (Sun et al., 2018). De hecho, pruebas recientes han demostrado que la implementación de estos modelos en redes 5G conduce a una mejora notable en indicadores clave de rendimiento, como la banda ancha móvil mejorada (eMBB) y las comunicaciones masivas tipo máquina (mMTC) (Li et al., 2019).

Sumado a esto, es relevante destacar que la implementación de estos modelos no solo mejora la capacidad y eficiencia de la red 5G, sino que también abre la puerta a nuevas aplicaciones que antes no eran viables (Goldsmith, 2005). Por ejemplo, en el ámbito de la medicina, las redes 5G habilitadas con modelos de canales híbridos permiten la realización de cirugías remotas con una latencia extremadamente baja, lo que es imprescindible para la precisión y seguridad del procedimiento. Igualmente, en el sector del transporte, estas tecnologías facilitan la comunicación entre vehículos autónomos, lo cual es esencial para la coordinación en tiempo real y en la prevención de accidentes (Larsson et al., 2014). A medida que la investigación en este campo avanza, es probable que veamos una expansión de estas aplicaciones a otras industrias, lo que subraya la importancia de continuar el desarrollo y perfeccionamiento de los modelos de canales híbridos en la red 5G (Marzetta et al., 2016).

5G NR, La Base de la Red 5G: Espectro flexible para adaptarse a diferentes escenarios

Los sistemas de próxima generación, al habilitar una amplia gama de aplicaciones que demandan una alta calidad de servicio (QoS, Quality of Service), colocan la optimización de energía como un requisito fundamental. En este contexto, el uso de relés y celdas pequeñas se presenta como una estrategia clave para aumentar la eficiencia del sistema y promover una comunicación más ecológica.

Las redes 5G NR, por su parte, se caracterizan por varias características distintivas, entre las que destacan la compatibilidad hacia adelante, el diseño ultraeficiente y la flexibilidad del espectro. La compatibilidad hacia adelante garantiza que la red pueda adaptarse y soportar futuras aplicaciones, incluso aquellas que aún no han sido concebidas. El diseño ultraeficiente, por su lado, incorpora la reducción de señales «siempre activas», lo que permite mejorar el rendimiento del sistema y reducir el consumo de energía. Asimismo, la flexibilidad del espectro facilita la habilitación de numerosas aplicaciones de la red 5G en diversos escenarios, ampliando así su alcance y potencial.

Es importante destacar que la red 5G ha sido concebida para satisfacer las demandas de aplicaciones que requieren una alta calidad de servicio (QoS). En este sentido, la optimización de la energía eléctrica se erige como un requisito indispensable para garantizar la sostenibilidad y eficiencia de las redes 5G. Un ejemplo palpable de ello es el diseño ultraeficiente de la 5G, que, al incorporar la reducción de señales «siempre activas», permite un uso más racional de la energía, disminuyendo el consumo innecesario y, a la vez, mejorando el rendimiento del sistema (Wang et al., 2019; Zhang & Huang, 2020).

Además, este enfoque no solo aligera la carga energética de las estaciones base, sino que también contribuye de manera significativa a la comunicación ecológica, un aspecto cada vez más relevante en un mundo consciente del cambio climático.

Igualmente, el uso de unidades retransmisoras y celdas pequeñas se alza como una estrategia fundamental para potenciar la eficiencia del sistema en las redes 5G. Por un lado, las unidades retransmisoras actúan como aliados al extender la cobertura y mejorar la calidad de la señal en áreas donde la conexión directa con la estación base resultaría deficiente (Wang et al., 2019; Andrews et al., 2014). Por otro lado, las celdas pequeñas, al ser estaciones base de menor potencia, se convierten en una solución ideal para áreas densamente pobladas, donde su despliegue permite mejorar la capacidad y reducir la latencia, traduciéndose en un servicio de mayor calidad para los usuarios finales.

En este sentido, esta técnica no solo optimiza el rendimiento de la red, sino que también respalda la comunicación ecológica. Al consumir menos energía que las estaciones base convencionales, las celdas pequeñas contribuyen a la construcción de una red más sostenible (Ghosh et al., 2019), alineándose con las crecientes demandas de un mundo preocupado por el impacto ambiental de las nuevas tecnologías.

Es importante destacar, además, que la compatibilidad hacia adelante de los sistemas 5G NR garantiza una integración fluida con tecnologías futuras, permitiendo la incorporación de aplicaciones que aún no han sido desarrolladas. Asimismo, la flexibilidad del espectro se presenta como otra característica esencial, facilitando la implementación de diversas aplicaciones en diferentes escenarios y optimizando así el uso de los recursos disponibles, lo que se traduce en una mejora en la eficiencia general del sistema (Zhang & Huang, 2020).

De esta manera, este enfoque multifacético es básico para asegurar que las redes 5G no solo satisfagan las necesidades actuales, sino que también posean la capacidad de adaptarse a las futuras demandas de la tecnología móvil, manteniéndose a la vanguardia de la innovación.

De este modo, este enfoque se hace imprescindible para asegurar que las redes 5G no solo satisfagan las necesidades actuales, sino que también posean la capacidad de adaptarse a las futuras demandas de la tecnología móvil, manteniéndose a la vanguardia de la innovación.

Sumado a lo anterior, el diseño ultraeficiente se erige como otra característica fundamental, ya que, al incorporar la reducción de señales «siempre activas», permite optimizar el rendimiento del sistema y minimizar el consumo de energía. Esta eficiencia energética cobra especial relevancia en un contexto donde la sostenibilidad y la reducción del consumo energético se han convertido en prioridades globales (Zhang & Dai, 2019; Wang et al., 2019).

Además, este diseño posibilita que las estaciones base y otros componentes de la red operen de manera más eficiente, reduciendo no solo el consumo de energía, sino también los costos operativos asociados, lo que beneficia tanto a los operadores de red como a los usuarios finales, consolidando un modelo de desarrollo tecnológico más responsable y económicamente viable.

De igual manera, la flexibilidad del espectro emerge como una característica de importancia, permitiendo a la red 5G adaptarse con agilidad a diversos escenarios y requerimientos de ancho de banda. Esta versatilidad es fundamental para soportar un amplio abanico de aplicaciones, desde la banda ancha móvil mejorada (eMBB) hasta las comunicaciones ultra fiables de baja latencia (uRLLC) (Zhang & Huang, 2020; Andrews et al., 2014).

En concreto, la capacidad de ajustar dinámicamente el uso del espectro en función de las necesidades del momento empodera a la red 5G para ofrecer un rendimiento óptimo en cualquier circunstancia, garantizando una alta calidad de servicio (QoS) para todas las aplicaciones, independientemente de su naturaleza o demanda.

Implementación de 5G NR y Desafíos: Formación de haces en la banda mmWave

Se han explorado diversos escenarios de implementación del sistema 5G, considerando formas de onda NR, técnicas de acceso y estructura de trama. En este sentido, New Radio (NR) operará tanto como NR independiente (SA, Standalone) como NR no independiente (NSA, Non-Standalone). La red SA NR, al utilizar una red central de próxima generación (NGC, Next-Generation Core), requerirá una nueva infraestructura para su implementación. Por otro lado, la red NSA NR aprovechará la infraestructura existente al utilizar el LTE-EPC (Long Term Evolution – Evolved Packet Core) como red central.

Además, las redes NR emplearán el acceso múltiple no ortogonal (NOMA, Non-Orthogonal Multiple Access) como técnica de acceso múltiple y nuevas formas de onda basadas en multiplexación por división de frecuencias ortogonales (OFDM, Orthogonal Frequency-Division Multiplexing) que ofrecen funcionalidades adicionales, enriqueciendo así las posibilidades de comunicación y transmisión de datos en el marco de la tecnología 5G.

La tecnología de multiplexación por división de frecuencias ortogonales, OFDM (Orthogonal Frequency-Division Multiplexing) se asocia con una elevada relación pico a potencia media, PAPR (Peak to Average Power Ratio) y una alta emisión fuera de banda, OOBE (Out of Band Emission), lo que puede afectar la eficiencia espectral del sistema. Para mitigar estos problemas, 5G NR utiliza técnicas como filtrado, ventanas y precodificación.

En este contexto, 5G NR habilitará diversas aplicaciones nuevas mediante el despliegue de tecnologías innovadoras. Sin embargo, la coexistencia de la red 5G con redes existentes y futuras en escenarios reales plantea desafíos críticos que deben abordarse.

De hecho, 5G NR operará en la banda de las mmWave (millimeter Wave), y la formación de haces será una tecnología clave para mejorar las ganancias y el balance de enlace en este entorno de comunicación.

Es evidente, que para gestionar la transmisión de datos en escenarios de alta movilidad, se utiliza una operación de múltiples haces electromagnéticos basada en el proceso de acceso inicial. Este proceso permite obtener información del sistema, realizar la sincronización y proporcionar acceso aleatorio en el sistema NR. Los procedimientos de transferencia para la movilidad entre celdas también deben tomarse en cuenta, y se sugiere que la transferencia se base en las mediciones del canal de enlace descendente, lo que elimina la necesidad de señales siempre activas en el enlace NR.

Hay que destacar, que la red 5G ha sido diseñada para satisfacer diversas necesidades de conectividad a través de tres escenarios principales: eMBB (enhanced Mobile BroadBand), mMTC (massive Machine-Type Communications) y uRLLC (ultra-Reliable and Low-Latency Communications).

El escenario eMBB se centra en ofrecer mayores velocidades de datos y capacidad, permitiendo aplicaciones como el streaming de video en alta definición y la realidad virtual. Un ejemplo concreto es la transmisión en tiempo real de eventos deportivos en 4K a través de dispositivos móviles, algo que no era posible con tecnologías anteriores debido a las limitaciones de ancho de banda y latencia (Andrews et al., 2014; Sundeep & Kumar, 2021).

En relación a los eventos deportivos en 4K, éstos representan una revolución en la forma en que experimentamos el deporte, sumergiéndonos en una experiencia visual sin precedentes (Grosvald & Abel, 2019). Gracias a la extraordinaria resolución cuatro veces superior a la alta definición estándar, cada detalle del juego cobra vida con una nitidez y realismo sorprendentes. Los colores vibrantes y la claridad cristalina nos transportan al corazón de la acción, permitiéndonos apreciar cada gesto, cada expresión y cada movimiento de los atletas como si estuviéramos en el estadio.

Para lograr esta proeza tecnológica, se requiere un despliegue de herramientas de vanguardia (Kurose & Ross, 2017). Las cámaras 4K, equipadas con sensores de imagen de alta densidad y lentes de precisión, capturan cada instante con una fidelidad asombrosa. La infraestructura de red de alta velocidad, como la fibra óptica y la tecnología 5G, garantiza la transmisión fluida y en tiempo real de la ingente cantidad de datos generada por el video 4K. Los dispositivos de visualización compatibles, como televisores, monitores y proyectores 4K, nos permiten disfrutar de esta experiencia visual en todo su esplendor. Y los códecs de video eficientes, como HEVC o AV1, comprimen el video sin sacrificar la calidad, facilitando su transmisión y almacenamiento (ITU-T, 2012).

Las aplicaciones de esta tecnología son vastas y emocionantes. Los aficionados al deporte pueden disfrutar de la emoción de los partidos en vivo desde la comodidad de sus hogares, con una calidad de imagen que rivaliza con la experiencia en el estadio. Los profesionales del deporte pueden analizar cada detalle de las jugadas con una precisión milimétrica, mejorando su entrenamiento y rendimiento. Y los creadores de contenido pueden producir videos deportivos de calidad cinematográfica, cautivando a las audiencias con imágenes espectaculares.

Así, los eventos deportivos en 4K marcan un hito en la evolución de la transmisión y visualización de deportes. La combinación de cámaras 4K, infraestructura de red de alta velocidad, dispositivos de visualización compatibles y códecs de video eficientes nos brinda una experiencia visual inmersiva y realista que redefine nuestra forma de disfrutar del deporte.

Además, el escenario mMTC, (massive Machine-Type Communications), está diseñado para soportar una gran cantidad de dispositivos conectados, lo cual es esencial en aplicaciones de Internet de las Cosas (IoT). Un ejemplo ilustrativo son las ciudades inteligentes, donde millones de sensores y dispositivos IoT recopilan datos en tiempo real para optimizar el uso de recursos como la energía y el agua (Ghosh et al., 2019; Wang & Huang, 2020). Esta densidad de conexión plantea un reto técnico considerable, ya que la red debe gestionar eficientemente el tráfico generado por un número muy elevado de dispositivos.

Por otro lado el escenario uRLLC es necesario para aplicaciones que requieren una latencia extremadamente baja y alta fiabilidad, como los vehículos autónomos y la telemedicina. Por ejemplo, en la cirugía remota, donde los comandos del cirujano deben transmitirse casi instantáneamente a los equipos médicos a miles de kilómetros de distancia, cualquier retraso en la transmisión podría tener consecuencias graves (Zhang & Dai, 2019; Sundeep & Kumar, 2021). Para garantizar el rendimiento en estos escenarios, se utilizan tecnologías avanzadas como UDN, MIMO masivo y comunicación D2D, que permiten una conectividad más robusta y eficiente (Andrews et al., 2014).

Es significativa la importancia que tienen investigaciones recientes, que han estado explorando los modelos de canales híbridos para estimar y medir los canales en diferentes escenarios de las redes 5G, adaptándose a las características específicas de cada uno (Ghosh et al., 2019). Estos estudios son esenciales para comprender cómo optimizar la red y cumplir con los distintos KPI (Key Performance Indicators) que cada escenario requiere.

5G y Más Allá: Hacia la Red 6G: Nuevos modelos de estimación de canales para mmWaves y THz

La integración de redes neuronales profundas en los algoritmos de gestión de haces y coordinación de interferencias supone una mejora significativa en la eficiencia de estos procesos, reduciendo la complejidad computacional sin comprometer la calidad de la señal. Además, la evolución hacia esquemas de modulación más avanzados exige receptores capaces de manejar constelaciones de modulación más densas y trabajar directamente con observaciones digitalizadas, lo que simplifica aún más el procesamiento de la señal y reduce la carga computacional.

Las futuras redes 5G y más allá, como la 6G, se basarán en frecuencias de ondas milimétricas (mmWaves) y terahercios (THz), respectivamente. Para garantizar una comunicación efectiva en estas bandas de frecuencia, es fundamental desarrollar nuevos modelos de estimación de canales. En este contexto, la estimación de mínimos cuadrados en sistemas MIMO de mmWave se presenta como una técnica prometedora para calcular los coeficientes de ganancia del canal, superando en rendimiento a la detección compresiva bayesiana convencional. De esta forma, estas innovaciones en la gestión de haces, diseño de receptores y estimación de canales allanan el camino para una comunicación inalámbrica más eficiente y confiable en las redes de próxima generación.

Redes Neuronales Profundas, Optimizando 5G y 6G: Reducción de la complejidad computacional y mejora del rendimiento

Los avances en el contexto de las redes 5G y 6G plantean, que las redes neuronales profundas (RND) emergen como una tecnología transformadora con el potencial de revolucionar la gestión de haces y la coordinación de interferencias (Dahlman, Parkvall, & Sköld, 2018). Las RND, con su capacidad para aprender patrones complejos a partir de datos, permiten optimizar la dirección y la potencia de las señales transmitidas, minimizando así la interferencia y maximizando la eficiencia espectral (Zhang, Cheng, Li, & Hanzo, 2020). Un ejemplo práctico de aplicación sería un escenario de un estadio lleno de gente, donde miles de dispositivos móviles compiten por el ancho de banda. Las RND podrían ajustar dinámicamente los haces para garantizar una conectividad fluida para todos los usuarios, incluso en entornos de alta densidad (Osseiran et al., 2014).

Por otra parte, las RND también pueden desempeñar un papel crucial en la coordinación de interferencias, especialmente en redes densas donde múltiples celdas se superponen (Sun, Jiang, Xu, & Zhou, 2018). Al aprender los patrones de interferencia, las RND pueden predecir y mitigar preventivamente la interferencia, mejorando así la calidad de la señal y la confiabilidad de la red (Huang, Zappone, Alexandropoulos, Debbah, & Yuen, 2019). Esto podría ser particularmente beneficioso en entornos urbanos, donde los edificios y otros obstáculos pueden crear zonas de sombra y aumentar la interferencia (Liu, Zhang, & Hanzo, 2020).

Además, las características técnicas de las RND, como su capacidad para manejar grandes volúmenes de datos y realizar cálculos complejos en paralelo, las hacen ideales para abordar los desafíos de las redes 5G y 6G (LeCun, Bengio, & Hinton, 2015). Los indicadores clave de rendimiento (KPI) como la tasa de transferencia de datos, la latencia y la eficiencia espectral pueden mejorarse significativamente mediante el uso de RND (3GPP, 2017).

En cuanto a los algoritmos convencionales de gestión de haces, estos se basan en modelos matemáticos predefinidos y a menudo requieren cálculos intensivos para optimizar la dirección de los haces (Tse & Viswanath, 2005). En contraste, las RND pueden aprender directamente de los datos, lo que reduce la necesidad de cálculos complejos y simplifica la implementación (Goodfellow, Bengio, & Courville, 2016). Esto se traduce en una menor complejidad computacional y una mayor eficiencia energética, lo que es indispensable para las redes 5G y 6G que deben admitir un gran número de dispositivos y aplicaciones (Qualcomm, 2019).

Es fundamental reconocer que la medición e intercambio de información de interferencia entre celdas puede implicar un costo considerable en términos de sobrecarga de señalización y recursos computacionales (Goldsmith, 2005). En contraste, las Redes Neuronales Profundas (RND, Deep Neural Networks, DNN) tienen la capacidad de aprender los patrones de interferencia a partir de datos históricos y predecir la interferencia futura. Esta capacidad predictiva permite una coordinación más preventiva y eficiente en la gestión de interferencias. (Li, Zhang, & Hanzo, 2020).

Así, las redes neuronales profundas ofrecen un enfoque prometedor para abordar los desafíos de la gestión de haces y la coordinación de interferencias en las redes 5G y 6G (Ericsson, 2019). Su capacidad para aprender de los datos, reducir la complejidad computacional y mejorar los KPI las convierte en una tecnología clave para el futuro de las comunicaciones inalámbricas (Nokia, 2019).

Cierto es, que la evolución de los esquemas de modulación en 5G y 6G, como la Modulación de Amplitud en Cuadratura de Orden Superior (QAM, Quadrature Amplitude Modulation), permite transmitir más bits por símbolo, aumentando así la eficiencia espectral. Sin embargo, esto también implica un desafío: las constelaciones de señales, que representan los diferentes símbolos transmitidos, se vuelven más densas, con puntos más cercanos entre sí (Dahlman, Parkvall, & Sköld, 2018). Esto hace que la detección de símbolos sea más susceptible a errores debido al ruido y la interferencia, lo que exige receptores más sofisticados y robustos.

Por lo tanto, los receptores modificados deben ser capaces de manejar estas constelaciones más densas de manera confiable. Esto implica mejorar su capacidad para distinguir entre símbolos cercanos, incluso en presencia de ruido e interferencia. Algunas de las características técnicas clave que estos receptores deben presentar incluyen:

Algoritmos de detección avanzados: Los receptores deben emplear algoritmos de detección más sofisticados que los utilizados en generaciones anteriores. Estos algoritmos deben ser capaces de manejar la mayor densidad de las constelaciones y minimizar la probabilidad de error de bits (BER, Bit Error Rate), incluso en condiciones de señal adversas (Dahlman, Parkvall, & Sköld, 2018).

Estimación de canal precisa: La estimación precisa del canal es fundamental para la detección de símbolos en sistemas de comunicación inalámbrica. Los receptores deben ser capaces de estimar con precisión las características del canal, como la respuesta al impulso del canal y el ruido, para compensar sus efectos y mejorar la detección de símbolos (Dahlman, Parkvall, & Sköld, 2018). .

Técnicas de cancelación de interferencia: Las redes 5G y 6G serán más densas y, por lo tanto, más propensas a la interferencia. Los receptores deben incorporar técnicas avanzadas de cancelación de interferencia para mitigar los efectos de la interferencia y mejorar la calidad de la señal recibida (Dahlman, Parkvall, & Sköld, 2018).

Procesamiento de señales digitales de alta velocidad: Las altas velocidades de datos y las complejas modulaciones utilizadas en 5G y 6G requieren un procesamiento de señales digitales de alta velocidad en el receptor. Esto implica el uso de hardware y software optimizados para manejar las demandas computacionales de estos sistemas (Dahlman, Parkvall, & Sköld, 2018).

Adaptabilidad: Los canales inalámbricos son dinámicos y pueden cambiar rápidamente debido a la movilidad de los usuarios y otros factores. Los receptores deben ser adaptables y capaces de ajustar sus parámetros en tiempo real para mantener un rendimiento óptimo en condiciones cambiantes del canal (Dahlman, Parkvall, & Sköld, 2018).

Conviene advertir, que la evolución de los esquemas de modulación en 5G y 6G hacia constelaciones más densas exige el uso de receptores modificados con características técnicas avanzadas para garantizar una detección de símbolos confiable y un rendimiento de comunicación óptimo. Estos receptores deben ser capaces de manejar la mayor densidad de las constelaciones, estimar con precisión el canal, cancelar la interferencia, procesar señales digitales de alta velocidad y adaptarse a las condiciones cambiantes del canal (Dahlman, Parkvall, & Sköld, 2018).

En relación a la reducción de la complejidad computacional en receptores para 5G y 6G, esto se logra al trabajar directamente con observaciones digitalizadas y considerar la varianza del error. Esto significa que los receptores pueden procesar las señales recibidas en su forma digital original, sin necesidad de realizar conversiones analógicas a digitales o aplicar técnicas de procesamiento de señales analógicas. Al evitar estos pasos adicionales, se reduce la carga computacional y se mejora la eficiencia del receptor (Dahlman, Parkvall, & Sköld, 2018).

Además, al considerar la varianza del error en el proceso de detección de señales, los receptores pueden adaptarse a las condiciones cambiantes del canal y optimizar su rendimiento en presencia de ruido e interferencia. Esto permite una detección de señales más precisa y confiable, incluso en entornos desafiantes, lo que se traduce en una mejor calidad de servicio para los usuarios (Zhang, Cheng, Li, & Hanzo, 2020).

Asimismo, esta capacidad de trabajar directamente con observaciones digitalizadas y considerar la varianza del error es especialmente relevante en el contexto de las tecnologías 5G y 6G, que se caracterizan por altas velocidades de datos, anchos de banda amplios y entornos de propagación complejos. En estos escenarios, la complejidad computacional puede ser un factor limitante para el rendimiento del sistema, por lo que la reducción de la carga computacional en los receptores es esencial para lograr una comunicación eficiente y confiable (Osseiran et al., 2014).

Es necesario recalcar, que la capacidad de los receptores para trabajar directamente con observaciones digitalizadas y considerar la varianza del error, permite reducir la complejidad computacional y mejorar el rendimiento en sistemas de comunicación 5G y 6G. Esto se logra al evitar conversiones analógicas a digitales innecesarias y al adaptar la detección de señales a las condiciones cambiantes del canal, lo que resulta en una mayor eficiencia y confiabilidad en la comunicación inalámbrica (Tse & Viswanath, 2005).

Es significativa la importancia de los sistemas 5G al depender de las ondas milimétricas (mmWaves), debido a su capacidad para proporcionar un ancho de banda extremadamente alto, lo que permite velocidades de datos mucho más rápidas que las generaciones anteriores de tecnología inalámbrica (Dahlman, Parkvall, & Sköld, 2018). Sin embargo, las mmWaves también presentan problemas característicos, como una mayor atenuación y sensibilidad a los bloqueos, lo que requiere nuevos enfoques para la estimación de canales.

En consecuencia, se requieren nuevos modelos de estimación de canales para el despliegue de las mmWaves porque las características de propagación de estas ondas son significativamente diferentes a las de las frecuencias más bajas utilizadas en generaciones anteriores (Zhang, Cheng, Li, & Hanzo, 2020). Los modelos convencionales de estimación de canales, que se basan en supuestos de propagación de espacio libre o modelos estadísticos simples, no son adecuados para capturar la complejidad de la propagación de las ondas mmWaves, que incluye efectos como la dispersión, la reflexión y la difracción en múltiples trayectos.

Además, los modelos de estimación de canales para las mmWaves deben ser capaces de manejar la naturaleza dispersa de los canales para las mmWave, donde solo unos pocos caminos dominantes contribuyen significativamente a la señal recibida. Esto requiere el uso de técnicas de estimación de canales que puedan identificar y rastrear estos caminos dominantes de manera eficiente, como, algoritmos de estimación de canales basados en la compresión (Osseiran et al., 2014).

Por otra parte, los coeficientes de ganancia de los canales se calculan utilizando estimaciones de mínimos cuadrados en sistemas MIMO de ondas mmWave porque este método proporciona una forma eficiente y precisa de estimar los coeficientes de canal en presencia de ruido y otros factores que afectan la señal recibida (Sun, Jiang, Xu, & Zhou, 2018). La estimación de mínimos cuadrados minimiza la suma de los errores cuadrados entre la señal recibida y la señal estimada, lo que conduce a una estimación precisa de los coeficientes de canal.

Hay otro aspecto que considerar, donde para lograr un mejor rendimiento en comparación con la detección compresiva bayesiana convencional, se pueden emplear varias técnicas, como el uso de algoritmos de detección más avanzados, la optimización de los parámetros del sistema y la incorporación de información adicional sobre el canal o la señal transmitida (Huang, Zappone, Alexandropoulos, Debbah, & Yuen, 2019). Estas técnicas pueden ayudar a mejorar la precisión de la detección de señales y reducir la tasa de error de bits, lo que se traduce en un mejor rendimiento general del sistema.

Habría que decir también, que la red más allá de 5G/6G operará en frecuencias de los terahercios (THz) porque estas frecuencias ofrecen un ancho de banda aún mayor que las mmWaves, lo que permite velocidades de datos extremadamente altas y una latencia muy baja (Tse & Viswanath, 2005). Sin embargo, las frecuencias de los THz también presentan limitaciones técnicas significativas, como una mayor atenuación y una propagación más limitada, lo que requerirá el desarrollo de nuevas tecnologías y soluciones para superar estos obstáculos.

Aquí es importante destacar, que muchos Centros de investigación han desarrollado estudios detallados de la tecnología 5G NR, sus características y casos de uso. Junto con esto, también han tratado en profundidad diversos problemas relacionados con la implementación del enlace 5G NR.

El Futuro de la Conectividad, Arquitectura 6G y Segmentación basada en IA: Conexión de sistemas 5G con la red 6G

Conviene precisar, que se ha propuesto una arquitectura que conecta los sistemas 5G con la red más allá de 5G/6G. En este sentido, las arquitecturas propuestas comparan los fundamentos anteriores de 5G con la estandarización 5G NR y han presentdo varias formas de migrar hacia la red 6G.
Se trata desde luego de tecnologías donde ha sido comprobado que los problemas relacionados con los esquemas de modulación superiores y la sincronización de transferencia entre sistemas RATs, o transferencia entre sistemas de acceso por radio frecuencias, (RAT, Radio Access Technologies) son perfectamente adaptables a las exigencias de los avances de última generación. Asimismo, la arquitectura de segmentación basada en IA que ha sido desarrollada para la red 6G, puede habilitar numerosas aplicaciones que pueden incluir la sincronización RAT.

Conclusión. 5G como Puente hacia la Revolución 6G: 5G NR como primer estándar de la red 5G

Como se ha venido explicando, la tecnología 5G NR (New Radio) ha sido desarrollada como el primer estándar de la red 5G. Al analizar las características de esta tecnología y sus casos de uso, es evidente que la arquitectura de red que conecta la red 5G con las redes inalámbricas de próxima generación durante la transición hacia la red 6G enfrenta diversos desafíos y problemas que aún requieren solución. Estos retos están siendo investigados y analizados con profundidad, con el objetivo de adaptarlos a las futuras redes 6G. En este contexto, se está diseñando una arquitectura 6G basada en la segmentación de red virtualizada, que incluye sus servicios y aplicaciones habilitadoras. Esta arquitectura tiene como propósito abordar de manera eficiente los desafíos relacionados con el backhaul (la red troncal principal) y la cobertura, de manera que pueda ser adaptable a la futura red 6G.

De esta manera, la tecnología 5G NR (New Radio) es la base de las redes 5G, ofreciendo velocidades de datos significativamente más rápidas, menor latencia y mayor capacidad en comparación con las generaciones anteriores (Dahlman, Parkvall, & Sköld, 2018). Esto permite una amplia gama de casos de uso, desde la transmisión de video de alta definición y la realidad virtual hasta la automatización industrial y los vehículos autónomos.

Además, 5G NR admite una variedad de tecnologías y características, como la multiplexación por división de frecuencia ortogonal (OFDM, Orthogonal Frequency Division Multiplexing), la formación de haces (beamforming) y el acceso múltiple por división de código (CDMA, Code Division Multiple Access), que permiten una comunicación más eficiente y flexible.

Sin embargo, la implementación de los enlaces 5G NR también presenta múltiples inconvenientes técnicos. Uno de los principales problemas es la necesidad de un espectro de frecuencias más alto, como las ondas milimétricas (mmWave), que tienen un alcance limitado y son susceptibles a bloqueos por obstáculos físicos (Zhang, Cheng, Li, & Hanzo, 2020). Esto requiere una infraestructura de red más densa y soluciones innovadoras para superar estos desafíos.

Otro problema es la complejidad de la gestión de la red, ya que 5G NR admite una variedad de servicios y requisitos de calidad de servicio (QoS) diferentes. Esto requiere algoritmos de gestión de recursos y movilidad más sofisticados para garantizar un rendimiento óptimo para todos los usuarios y aplicaciones.

Además, la coexistencia de 5G NR con tecnologías heredadas, como 4G LTE, plantea una serie de limitaciones en términos de gestión del espectro y la transición fluida entre diferentes tecnologías de acceso por radio (RAT).

En consecuencia, 5G NR es una tecnología transformadora que ofrece una amplia gama de beneficios y casos de uso, pero su implementación también presenta retos significativos que deben abordarse para aprovechar todo su potencial (Osseiran et al., 2014).

Por otro lado, la arquitectura que conecta los sistemas 5G con la red más allá de 5G/6G es un puente esencial hacia el futuro de las comunicaciones inalámbricas (Saad, Bennis, & Chen, 2019). Estas arquitecturas deben ser flexible y escalables para adaptarse a las crecientes demandas de ancho de banda y a las nuevas aplicaciones que surgirán con la llegada de la 6G. Además, deben ser capaz de integrar tecnologías emergentes, como la inteligencia artificial (IA) y la computación en el borde (edge computing), para permitir una gestión de red más inteligente y eficiente (Giordani, Polese, Mezzavilla, Rangan, & Zorzi, 2020).

En este sentido, la estandarización 5G NR representa un avance significativo en comparación con las arquitecturas 4G anteriores (Dahlman, Parkvall, & Sköld, 2018). 5G NR introduce una nueva interfaz de radio y una arquitectura de red central rediseñada, lo que permite una mayor flexibilidad, escalabilidad y eficiencia en la gestión de recursos. Además, 5G NR admite una gama más amplia de casos de uso, desde comunicaciones de banda ancha móvil mejoradas hasta comunicaciones masivas de tipo máquina y comunicaciones de ultra baja latencia (3GPP, 2020).

Por otro lado, la migración hacia la red 6G desde 5G requerirá una evolución gradual de la arquitectura de red y la adopción de nuevas tecnologías (Zhang, Cheng, Li, & Hanzo, 2020). Algunas de las posibles formas de migración incluyen:

Actualización de hardware y software: La migración a 6G implicará la actualización de los equipos de red y los dispositivos de usuario para admitir las nuevas frecuencias, anchos de banda y tecnologías de modulación. Además, se requerirá el desarrollo de nuevo software para gestionar la complejidad de la red 6G y aprovechar sus capacidades avanzadas.

Implementación de nuevas tecnologías: La red 6G incorporará tecnologías emergentes como la IA, la computación en el borde y la realidad extendida (XR). La implementación de estas tecnologías requerirá la integración de nuevos componentes de hardware y software en la red, así como el desarrollo de nuevos algoritmos y protocolos para aprovechar su potencial.

Gestión de la coexistencia: Durante la transición de 5G a 6G, será necesario gestionar la coexistencia de ambas tecnologías para garantizar una experiencia de usuario fluida y sin interrupciones. Esto implicará la asignación eficiente del espectro, la gestión de la movilidad y la coordinación de la interferencia entre las redes 5G y 6G.

Desarrollo de nuevos modelos de negocio: La red 6G habilitará nuevos servicios y aplicaciones que requerirán el desarrollo de nuevos modelos de negocio para monetizar su valor. Esto implicará la colaboración entre operadores de red, proveedores de servicios y desarrolladores de aplicaciones para crear un ecosistema 6G próspero y sostenible.

Todo lo anterior explica por qué, la arquitectura que conecta los sistemas 5G con la red más allá de 5G/6G sea un elemento clave para la evolución de las comunicaciones inalámbricas. En este sentido, la estandarización 5G NR ha sentado las bases para esta evolución, y la migración hacia 6G, donde se requerirá una combinación de actualizaciones de hardware y software, implementación de nuevas tecnologías y desarrollo de nuevos modelos de negocio.

Por lo tanto, la tecnología 5G NR ha sentado las bases para una nueva era de conectividad inalámbrica, ofreciendo velocidades de datos ultrarrápidas, baja latencia y una mayor capacidad para admitir una amplia gama de aplicaciones y servicios. A medida que avanzamos hacia la próxima generación de comunicaciones inalámbricas, 6G, es fundamental comprender los desafíos y oportunidades que presenta esta evolución. Así, la migración a 6G requerirá una combinación de actualizaciones de hardware y software, la implementación de tecnologías emergentes.

Invitación a una exploración continua

Te invitamos a sumergirte en el fascinante mundo de la tecnología 5G y más allá. Aprender sobre estas tecnologías no solo te permitirá comprender las innovaciones actuales, sino que también te preparará para los paradigmas tecnológicos del futuro. La capacidad de adaptarte a estos cambios será esencial para prosperar en un mundo cada vez más conectado e impulsado por la tecnología. ¡No pierdas la oportunidad de ser parte de esta revolución! Sigue explorando, investigando y aprendiendo sobre 5G y 6G, y descubre cómo estas tecnologías transformarán nuestro mundo en los años venideros.

Referencias Bibliográficas

3GPP. (2018). Study on scenarios and requirements for next generation access technologies (Release 15). 3GPP TR 38.913 V15.0.0.
3GPP. (2023). 5G NR; Physical channels and modulation (Release 17). 3GPP TS 38.211 V17.2.0.
Dahlman, E., Parkvall, S., & Sköld, J. (2018). 5G NR: The next generation wireless access technology. Academic Press.
Ghosh, A., Mangalvedhe, N., Ratasuk, R., Mondal, B., Cudak, M., Visotsky, E., … & Thomas, T. (2014). Heterogeneous cellular networks: From theory to practice. IEEE Communications Magazine, 52(6), 54-64.
Agiwal, M., Roy, A., & Saxena, N. (2016). Next generation 5G wireless networks: A comprehensive survey. IEEE Communications Surveys & Tutorials, 18(3), 1617-1655.
Bhushan, N., Li, J., Malladi, D., Gilmore, R., Brenner, D., Damnjanovic, A., … & Sukhavasi, R. (2014). Network densification: the dominant theme for wireless evolution into 5G. IEEE Communications Magazine, 52(2), 82-89.
Larsson, E. G., Edfors, O., Tufvesson, F., & Marzetta, T. L. (2014). Massive MIMO for next generation wireless systems. IEEE Communications Magazine, 52(2), 186-195.
Mitola, J., & Maguire, G. Q. (1999). Cognitive radio: making software radios more personal. IEEE personal communications, 6(4), 13-18.
Sabharwal, A., Schniter, P., Guo, D., Bliss, D. W., Rangarajan, S., & Wichman, R. (2014). In-band full-duplex wireless: Challenges and opportunities. IEEE Journal on Selected Areas in Communications, 32(9), 1637-1652.
Tehrani, M. N., Uysal, M., & Yanikomeroglu, H. (2014). Device-to-device communication in 5G cellular networks: challenges, solutions, and future directions. IEEE Communications Magazine, 52(5), 86-92.
Andrews, J. G., Buzzi, S., Choi, W., Hanly, S. V., Lozano, A., Soong, A. C., & Zhang, J. C. (2014). What will 5G be? IEEE Journal on Selected Areas in Communications, 32(6), 1065-1082.
Cheng, X., Zhang, R., & Liang, L. (2020). Channel estimation techniques for 5G wireless communication networks. IEEE Communications Surveys & Tutorials, 22(4), 2118-2136.
Goldsmith, A. (2005). Wireless communications. Cambridge University Press.
Heath, R. W., González-Prelcic, N., Rangan, S., Rappaport, T. S., & Roh, W. (2016). An overview of signal processing techniques for millimeter wave MIMO systems. IEEE Journal of Selected Topics in Signal Processing, 10(3), 436-453.
Larsson, E. G., Edfors, O., Tufvesson, F., & Marzetta, T. L. (2014). Massive MIMO for next generation wireless systems. IEEE Communications Magazine, 52(2), 186-195.
Li, X., Yang, C., & Mao, X. (2019). Hybrid channel estimation for 5G mmWave massive MIMO. IEEE Transactions on Wireless Communications, 18(2), 1244-1257.
Marzetta, T. L. (2016). Fundamentals of massive MIMO. Cambridge University Press.
Sun, S., Rappaport, T. S., Shafi, M., Aziz, A., & Tamayo-Dominguez, M. (2018). Hybrid beamforming for 5G millimeter-wave systems: A tutorial. IEEE Communications Magazine, 56(2), 101-107.
Andrews, J. G., Buzzi, S., Choi, W., Hanly, S. V., Lozano, A., Soong, A. C., & Zhang, J. C. (2014). What will 5G be?. IEEE Journal on Selected Areas in Communications, 32(6), 1065-1082.
Ghosh, A., Ratasuk, R., Mondal, B., Mangalvedhe, N., & Thomas, T. (2019). LTE-advanced: next-generation wireless broadband technology. IEEE Wireless Communications, 17(3), 10-22.
Sundeep, R., & Kumar, V. (2021). Performance evaluation of enhanced mobile broadband and ultra-reliable low-latency communication in 5G networks. IEEE Transactions on Communications, 69(7), 4879-4892.
Wang, L., & Huang, Y. (2020). Massive MIMO for massive machine-type communications in 5G: System performance and channel measurement. IEEE Wireless Communications, 27(4), 64-71.
Zhang, J., & Dai, L. (2019). Key technologies for 5G ultra-reliable low-latency communications: Performance and challenges. IEEE Network, 33(6), 18-25.
Andrews, J. G., Buzzi, S., Choi, W., Hanly, S. V., Lozano, A., Soong, A. C., & Zhang, J. C. (2014). What will 5G be?. IEEE Journal on Selected Areas in Communications, 32(6), 1065-1082.
Ghosh, A., Ratasuk, R., Mondal, B., Mangalvedhe, N., & Thomas, T. (2019). LTE-advanced: next-generation wireless broadband technology. IEEE Wireless Communications, 17(3), 10-22.
Wang, L., Zhang, H., & Huang, Y. (2019). Energy-efficient design for 5G green communications. IEEE Transactions on Vehicular Technology, 68(7), 6757-6769.
Zhang, Y., & Huang, J. (2020). Spectrum management in 5G: Challenges and solutions. IEEE Network, 34(3), 13-19.
Andrews, J. G., Buzzi, S., Choi, W., Hanly, S. V., Lozano, A., Soong, A. C., & Zhang, J. C. (2014). What will 5G be?. IEEE Journal on Selected Areas in Communications, 32(6), 1065-1082.
Ghosh, A., Ratasuk, R., Mondal, B., Mangalvedhe, N., & Thomas, T. (2019). LTE-advanced: next-generation wireless broadband technology. IEEE Wireless Communications, 17(3), 10-22.
Wang, L., Zhang, H., & Huang, Y. (2019). Energy-efficient design for 5G green communications. IEEE Transactions on Vehicular Technology, 68(7), 6757-6769.
Zhang, J., & Dai, L. (2019). Key technologies for 5G ultra-reliable low-latency communications: Performance and challenges. IEEE Network, 33(6), 18-25.
Dahlman, E., Parkvall, S., & Sköld, J. (2018). 5G NR: The next generation wireless access technology. Academic Press.
Zhang, R., Cheng, X., Li, Q., & Hanzo, L. (2020). Deep learning for beyond 5G wireless networks: Research directions and paradigms. IEEE Wireless Communications, 27(5), 124-131.
Osseiran, A., Boccardi, F., Braun, V., Kusume, K., Marsch, P., Maternia, M., … & Zimmermann, E. (2014). Scenarios for 5G mobile and wireless communications: the vision of the METIS project. IEEE Communications Magazine, 52(5), 26-35.
Sun, S., Jiang, T., Xu, L., & Zhou, Z. (2018). Learning to optimize: Training deep neural networks for interference management. IEEE Transactions on Wireless Communications, 17(10), 6536-6549.
Huang, C., Zappone, A., Alexandropoulos, G. C., Debbah, M., & Yuen, C. (2019). Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Transactions on Wireless Communications, 18(8), 4157-4170.
Liu, L., Zhang, R., & Hanzo, L. (2020). Deep learning aided signal detection for reconfigurable intelligent surface assisted MIMO systems. arXiv preprint arXiv:2007.13435.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
3GPP. (2017). Study on new radio access technology; Radio access architecture and interfaces (Release 14). 3GPP TR 38.801 V14.0.0.
Tse, D., & Viswanath, P. (2005). Fundamentals of wireless communication. Cambridge university press.
[Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Qualcomm. (2019). The 5G economy.
[Goldsmith, A. (2005). Wireless communications. Cambridge university press.
Li, Y., Zhang, R., & Hanzo, L. (2020). Deep learning aided transceiver design for 5G and beyond wireless networks. arXiv preprint arXiv:2008.03416.
Ericsson. (2019). 5G for business: A 2030 market compass.
[Nokia. (2019). The 6G era: Creating a new reality.
Dahlman, E., Parkvall, S., & Sköld, J. (2018). 5G NR: The next generation wireless access technology. Academic Press.
Zhang, R., Cheng, X., Li, Q., & Hanzo, L. (2020). Deep learning for beyond 5G wireless networks: Research directions and paradigms. IEEE Wireless Communications, 27(5), 124-131.
Osseiran, A., Boccardi, F., Braun, V., Kusume, K., Marsch, P., Maternia, M., … & Zimmermann, E. (2014). Scenarios for 5G mobile and wireless communications: the vision of the METIS project. IEEE Communications Magazine, 52(5), 26-35.
Tse, D., & Viswanath, P. (2005). Fundamentals of wireless communication. Cambridge university press.
Dahlman, E., Parkvall, S., & Sköld, J. (2018). 5G NR: The next generation wireless access technology. Academic Press.
Zhang, R., Cheng, X., Li, Q., & Hanzo, L. (2020). Deep learning for beyond 5G wireless networks: Research directions and paradigms. IEEE Wireless Communications, 27(5), 124-131.
Osseiran, A., Boccardi, F., Braun, V., Kusume, K., Marsch, P., Maternia, M., … & Zimmermann, E. (2014). Scenarios for 5G mobile and wireless communications: the vision of the METIS project. IEEE Communications Magazine, 52(5), 26-35.
Sun, S., Jiang, T., Xu, L., & Zhou, Z. (2018). Learning to optimize: Training deep neural networks for interference management. IEEE Transactions on Wireless Communications, 17(10), 6536-6549.
Huang, C., Zappone, A., Alexandropoulos, G. C., Debbah, M., & Yuen, C. (2019). Reconfigurable intelligent surfaces for energy efficiency in wireless communication. IEEE Transactions on Wireless Communications, 18(8), 4157-4170.
Tse, D., & Viswanath, P. (2005). Fundamentals of wireless communication. Cambridge university press.
Dahlman, E., Parkvall, S., & Sköld, J. (2018). 5G NR: The next generation wireless access technology. Academic Press.
Zhang, R., Cheng, X., Li, Q., & Hanzo, L. (2020). Deep learning for beyond 5G wireless networks: Research directions and paradigms. IEEE Wireless Communications, 27(5), 124-131.
Osseiran, A., Boccardi, F., Braun, V., Kusume, K., Marsch, P., Maternia, M., … & Zimmermann, E. (2014). Scenarios for 5G mobile and wireless communications: the vision of the METIS project. IEEE Communications Magazine, 52(5), 26-35.
3GPP. (2020). Study on channel model for frequencies from 0.5 to 100 GHz (Release 16). 3GPP TR 38.901 V16.1.0.
Dahlman, E., Parkvall, S., & Sköld, J. (2018). 5G NR: The next generation wireless access technology. Academic Press.
Giordani, M., Polese, M., Mezzavilla, M., Rangan, S., & Zorzi, M. (2020). Toward 6G networks: Use cases and technologies. IEEE Communications Magazine, 58(3), 55-61.
Saad, W., Bennis, M., & Chen, M. (2019). A vision of 6G wireless systems: Applications, trends, technologies, and open research problems. IEEE Network, 34(3), 134-142.
Zhang, R., Cheng, X., Li, Q., & Hanzo, L. (2020). Deep learning for beyond 5G wireless networks: Research directions and paradigms. IEEE Wireless Communications, 27(5), 124-131.
Grosvald, M., & Abel, J. (2019). Deep learning for computer vision. O’Reilly Media.
Kurose, J. F., & Ross, K. W. (2017). Computer networking: A top-down approach. Pearson Education Limited.
ITU-T. (2012). Recommendation ITU-T H.265: High efficiency video coding. International Telecommunication Union.