Revisar literatura recomendada
08/05/2025
Transformación digital de las telecomunicaciones: el rol de la visión artificial en redes 6G
En la actualidad, las telecomunicaciones están experimentando una revolución sin precedentes con el advenimiento de las redes móviles de sexta generación (6G), cuya promesa de ultra baja latencia, conectividad masiva y velocidades de transmisión extraordinarias redefinirá por completo la forma en que interactuamos con el entorno. A medida que los desafíos de propagación asociados a frecuencias extremadamente altas como las ondas milimétricas (mmWave) y los Terahercios (THz) se vuelven más notorios, surgen soluciones vanguardistas, que combinan tecnologías avanzadas como inteligencia artificial (IA), visión artificial y sensorización ambiental, capaces de anticipar eventos de bloqueo y optimizar la gestión de haces en tiempo real (Alrabeiah, Hredzak, & Alkhateeb, 2020; Charan et al., 2024).
Además, estas tecnologías representan un punto de inflexión para el futuro de la humanidad, ya que posibilitan la implementación de ciudades inteligentes, vehículos autónomos, redes industriales autoorganizadas y aplicaciones críticas en contextos de emergencia o catástrofes naturales. En particular, la integración de redes neuronales profundas, sensores multimodales y simuladores urbanos avanzados como ViWi y Wireless InSite permite un entendimiento contextual del entorno que era impensable en generaciones anteriores de redes móviles (Gharsallah & Kaddoum, 2024; Zhang et al., 2024).
Por consiguiente, esta convergencia tecnológica no solo permitirá el acceso ubicuo a comunicaciones ininterrumpidas, sino que también contribuirá significativamente a la eficiencia energética, la sostenibilidad urbana y la estabilidad de las infraestructuras digitales. Así, las redes 6G se proyectan como plataformas inteligentes, capaces de percibir, razonar y actuar en función de los cambios en su entorno, dando lugar a una nueva era en la que las redes no solo transportan información, sino que participan activamente en la toma de decisiones autónomas (Peltonen et al., 2020; Shaik, 2024).
Cabe destacar que estas innovaciones no solo afectarán el ámbito tecnológico, sino también el social y económico, generando nuevas oportunidades de desarrollo en múltiples sectores. Desde aplicaciones de vigilancia en tiempo real, hasta soluciones de conectividad de emergencia en zonas remotas o devastadas, la tecnología de visión artificial aplicada a las redes 6G promete transformar profundamente la vida cotidiana y acelerar la digitalización global con una perspectiva inclusiva y sostenible (Khan et al., 2025).
Para ilustrar, la imagen destacada muestra una escena posterior a un desastre urbano, en la que dos rescatistas operan tecnologías avanzadas en un entorno colapsado. Uno de ellos inspecciona los escombros utilizando un dispositivo que proyecta visualmente referencias a modelos de visión por computadora como CNN y ResNet, mientras el segundo se comunica por radio y señala un grupo de drones en vuelo controlados con tecnologías emergentes como 6G, mmWave y THz. En el aire se despliega un mapa de calor holográfico con anotaciones como AI, SD-FedAVG y ViWi, sugiriendo el uso de sistemas inteligentes distribuidos para la toma de decisiones. La escena se complementa con brazos robóticos y flujos de datos visualizados como ondas, etiquetados con términos técnicos como LoS, SFBP, FL y SDN. Todo esto se desarrolla bajo una iluminación cálida, con partículas suspendidas en el aire, lo que contribuye a una representación visualmente dinámica de la integración entre tecnología de sexta generación y operaciones de rescate en tiempo real.
Aplicaciones disruptivas de mmWave y THz en redes 6G
Con el advenimiento de la sexta generación de redes móviles (6G), emerge una nueva era en la que la conectividad se redefine a través de tecnologías avanzadas como las ondas milimétricas (mmWave), las frecuencias en los Terahercios (THz) y soluciones de inteligencia artificial (IA) aplicadas a la visión artificial. Estas innovaciones prometen resolver los desafíos que las redes 5G aún no logran superar, como la ultra baja latencia, la alta densidad de dispositivos conectados y la capacidad para mantener enlaces robustos en escenarios móviles y urbanos complejos. En este contexto, el uso de imágenes capturadas por cámaras para predecir bloqueos de señal y seleccionar haces de transmisión óptimos se posiciona como una de las más disruptivas herramientas para garantizar comunicaciones ininterrumpidas y de alta calidad.
Desafíos de propagación y soluciones basadas en visión artificial
De hecho, la tecnología de ondas milimétricas mmWave, con sus frecuencias extremadamente altas, permite transmitir grandes volúmenes de datos con velocidades sin precedentes. Sin embargo, su alta direccionalidad la hace vulnerable a obstrucciones físicas como edificios, árboles o incluso peatones. Por esta razón, la visión artificial y la sensorización ambiental se vuelven fundamentales para anticipar estos bloqueos. Sistemas como las redes neuronales profundas, específicamente las redes residuales (ResNet), permiten correlacionar patrones visuales con configuraciones de red óptimas, logrando un control más preciso y dinámico de los haces de transmisión (Alrabeiah, Hredzak, & Alkhateeb, 2020).
Aprendizaje profundo y sensorización en la predicción de bloqueos
Asimismo, los avances en sensores térmicos, infrarrojos, Lidar y cámaras multi-sensoriales están ampliando las capacidades predictivas de estas redes. En combinación con algoritmos de aprendizaje profundo, estas herramientas permiten crear modelos situacionales del entorno que mejoran la toma de decisiones en tiempo real. Esto se traduce en mejoras significativas en la estabilidad de la conexión y en una reducción de la carga computacional requerida para el barrido de los haces electromagnéticos, uno de los procesos más costosos en las redes de ondas mmWave (Charan et al., 2024).
En suma, las tecnologías de ondas mmWave y de los THz, asistidas por visión artificial, están diseñando el futuro de las telecomunicaciones. Este enfoque no solo garantiza comunicaciones más rápidas y confiables, sino que abre la puerta a aplicaciones críticas en ciudades inteligentes, vehículos autónomos, sistemas de emergencia y la industria 4.0. Las redes 6G se vislumbran, por tanto, como ecosistemas inteligentes que no solo transmiten datos, sino que también perciben, interpretan y reaccionan en función del entorno, permitiendo una experiencia comunicacional verdaderamente ubicua e inteligente (Ochoa Gnecco, 2023).
Inteligencia ambiental en redes 6G: sensores visuales y gestión de haces
Debido a la naturaleza de propagación altamente direccional en las bandas de ondas milimétricas (mmWave) y de los Terahercios (THz), la gestión de haces (Beam Management, BM) depende en gran medida del entorno circundante. En consecuencia, se plantea que el uso de información sensorial ambiental podría reducir significativamente la sobrecarga asociada a la BM. Específicamente, se propone un enfoque de predicción de haces y bloqueos asistido por visión que emplea datos visuales capturados por cámaras ubicadas en las estaciones base de ondas mmWave. Similar a los sistemas de clasificación de imágenes, una red residual se entrena para mapear imágenes de cámara a índices de haces, permitiendo anticipar bloqueos potenciales. Este método ha sido validado utilizando conjuntos de datos generados con el marco ViWi (Vision-Wireless), demostrando mediante simulaciones que la predicción de bloqueos y selección de haces electromagnéticos puede realizarse con alta precisión (Alrabeiah, Hredzak, & Alkhateeb, 2020).
Predicción asistida por visión con redes neuronales residuales
Por otra parte, la incorporación de información sensorial del entorno se consolida como una técnica esencial para optimizar la BM en entornos dinámicos. Particularmente en bandas mmWave, donde obstáculos como vehículos o edificaciones pueden bloquear repentinamente la señal, la anticipación de bloqueos a través de datos visuales permite una selección más eficiente de haces. De este modo, se evita el barrido exhaustivo y se reduce significativamente la carga computacional del sistema (Alrabeiah, Hredzak, & Alkhateeb, 2020).
Algoritmos de redirección anticipativa en entornos urbanos densos
Asimismo, la visión asistida representa una herramienta clave para mejorar la eficiencia en redes de ondas mmWave urbanas densas. Al implementar algoritmos de aprendizaje automático sobre las imágenes capturadas por cámaras instaladas en las estaciones base, es posible identificar anticipadamente los haces que podrían ser afectados. Esto permite una redirección preventiva sin interrupciones significativas en la conexión, optimizando la calidad del servicio ofrecido al usuario (Xie, Wang, & Yang, 2025).
Clasificación de imágenes y aprendizaje profundo para beamforming
Por otro lado, la clasificación de imágenes mediante una red residual desempeña un papel relevante en la predicción de haces en sistemas de comunicación inalámbrica. Estas redes, conocidas como Red Residual (ResNet, Residual Network)., constituyen una arquitectura de aprendizaje profundo que permite entrenar modelos muy profundos sin los problemas de degradación típicos. Gracias a su capacidad para aprender mapeos complejos, las ResNet pueden correlacionar imágenes obtenidas por cámaras con índices de haces óptimos. Por ejemplo, ante la detección de un obstáculo por parte de la cámara, la red puede predecir qué haz es el más adecuado para mantener la conectividad sin interrupciones (Khan et al., 2023).
Redes Residuales (ResNet) en 6G: Usos y Aplicaciones Inteligentes en Comunicaciones Móviles
De entrada, la Red Residual, (ResNet, Residual Network), representa una evolución fundamental en el diseño de arquitecturas de aprendizaje profundo, permitiendo la construcción de modelos con cientos de capas sin los problemas de desvanecimiento del gradiente. Gracias a sus bloques residuales, esta red facilita el entrenamiento eficiente de redes neuronales profundas, manteniendo el flujo de información sin deterioro. En este contexto, la ResNet se convierte en una herramienta esencial para aplicaciones emergentes en la tecnología de comunicación 6G, donde se requiere un procesamiento rápido, preciso y robusto de datos complejos, como imágenes y señales de canal (Wang et al., 2024).
Por consiguiente, la red ResNet permite implementar soluciones inteligentes en redes 6G, entre ellas la estimación de canal en sistemas MIMO masivos. Un caso práctico reciente utilizó un modelo llamado LS-ResNet para mejorar la precisión en la estimación del canal a frecuencias milimétricas (mmWave), lo cual es vital para optimizar la calidad de transmisión y minimizar errores en entornos altamente dinámicos (Gulati et al., 2024). Esta capacidad se ve reforzada mediante el uso de aprendizaje profundo para identificar patrones espaciales en grandes volúmenes de datos, como imágenes tomadas por sensores distribuidos en redes móviles densas.
Simultáneamente, en aplicaciones específicas como el beamforming adaptativo, se ha demostrado que las redes ResNet son útiles para correlacionar imágenes del entorno con los índices óptimos de haz. De esta forma, la red predice qué trayectoria de señal debe seguirse para evitar obstrucciones físicas, mejorando la continuidad del servicio. Un sistema de predicción de línea de vista, desarrollado bajo el modelo ResNet-LSTM, ha permitido predecir bloqueos en tiempo real en escenarios urbanos complejos, facilitando el redireccionamiento preventivo de haces electromagnéticos de los enlaces inalámbricos (Bajaj et al., 2024).
Además, se ha observado que la red ResNet ha sido incorporada en aplicaciones relacionadas con clasificación de modulación y detección de interferencias en redes 6G. Investigaciones recientes utilizaron un modelo Clasificador Residual de Red (C-ResNet, Classification Residual Network) con enmascaramiento para mejorar la precisión en la identificación automática de esquemas de modulación en señales contaminadas, lo que representa un avance sustancial en la protección contra ataques en redes masivas MIMO (Peng et al., 2023).
Posteriormente, otra implementación significativa de ResNet se da en la identificación inteligente de escenarios comunicativos en infraestructuras 6G que abarcan el espacio, tierra y mar. En este caso, la arquitectura de Atención Eficiente por Canal de Red Residual (ECA–ResNet, Efficient Channel Attention – Residual Network) ha demostrado un rendimiento sobresaliente en la clasificación precisa de contextos operativos mediante el uso de datos recopilados por múltiples sensores distribuidos (Zhou et al., 2024).
En paralelo, las redes semánticas impulsadas por estructuras de Red Residual de 18 Capas (ResNet-18, 18-layer Residual Network) han sido aplicadas con éxito para mejorar la eficiencia en la retransmisión en redes cooperativas. Esto ha permitido reducir la latencia y aumentar la fidelidad del mensaje transmitido, mejorando significativamente la calidad del servicio en entornos ultradensos como fábricas inteligentes o ciudades conectadas (Erkantarcı et al., 2024).
Por otra parte, se han desarrollado modelos avanzados como RACNN (Residual Attention Convolutional Neural Network) diseñados específicamente para la estimación de canales en escenarios de Comunicaciones de Campo Cercano en Redes 6G (NFC-6G, Near-Field Communications – 6th Generation). Esta tecnología transforma vectores ruidosos de canal en imágenes bidimensionales, las cuales son procesadas mediante atención residual para extraer patrones útiles en tiempo real (Son et al., 2025).
Igualmente, es destacable la utilización de variantes de ResNet, como la Red Residual con Compresión y Excitación (SE-ResNet, Squeeze-and-Excitation Residual Network), que introducen mecanismos de atención para ponderar la relevancia de distintas características dentro de la red, logrando así una mejora notable en tareas como la predicción de estado de canal o el análisis de movilidad vehicular en redes vehiculares 6G (Abd Elaziz et al., 2024).
Por lo tanto, las Redes Residuales no solo representan un componente técnico clave en el desarrollo de soluciones inteligentes dentro del ecosistema 6G, sino que también constituyen una plataforma flexible para integrar nuevas metodologías de inteligencia artificial en comunicaciones móviles de próxima generación.
Cómo funciona ViWi en redes 6G: aplicaciones prácticas y fundamentos
Además, para validar la eficacia de estas técnicas de predicción asistida por imágenes, se recurre a la generación de datos mediante el marco ViWi (Vision-Wireless). Este entorno de simulación público ofrece imágenes de escenarios urbanos combinadas con datos de canales mmWave, lo cual resulta ideal para el entrenamiento de algoritmos de predicción. En efecto, este procedimiento permite probar y ajustar modelos antes de su despliegue en aplicaciones reales, garantizando su rendimiento (Alrabeiah, Hredzak, & Alkhateeb, 2020).
Desde una perspectiva técnica y evolutiva, la tecnología de Visión-Inalámbrica ViWi (Vision-Wireless) representa un marco experimental pionero que fusiona la percepción visual de entornos urbanos con datos de propagación de señales inalámbricas, específicamente en el contexto de comunicaciones 6G. Esta tecnología aprovecha información visual para mejorar el rendimiento de modelos de predicción de canales en entornos con ondas milimétricas, (mmWave, millimeter Wave), permitiendo una comprensión contextual del entorno que no es posible con métodos convencionales de comunicación móvil (Alrabeiah, Hredzak, & Alkhateeb, 2020).
Por consiguiente, el funcionamiento de ViWi se basa en la combinación de conjuntos de datos visuales, como imágenes de calles urbanas, con información sintética generada sobre canales de comunicación inalámbricos. Estos datos se recopilan mediante simulaciones avanzadas que modelan la dispersión de señales en presencia de objetos como edificios, vehículos y peatones. A través de este enfoque, es posible entrenar modelos de aprendizaje profundo que predicen eventos como bloqueos de señal o fluctuaciones de calidad del canal, esenciales para el despliegue efectivo de redes 6G en ambientes urbanos densos (Gharsallah & Kaddoum, 2024).
En la práctica, la tecnología ViWi ha sido implementada, por ejemplo, en simulaciones para Vehículos Conectados a Todo (V2X, Vehicle-to-Everything), permitiendo predecir la línea de visión (LoS, Line-of-Sight) entre vehículos y estaciones base en tiempo real. Esto se logra mediante arquitecturas como los Transformadores de Visión (ViT, Vision Transformers), los cuales analizan secuencias de imágenes del entorno para anticipar eventos de bloqueo en canales mmWave. Este tipo de integración mejora la eficiencia espectral y reduce el retardo en comunicaciones vehiculares de próxima generación (Gharsallah & Kaddoum, 2024).
En un contexto experimental, ViWi ha demostrado utilidad al facilitar pruebas previas al despliegue de algoritmos de predicción de canal. Por ejemplo, investigadores han utilizado ViWi para crear escenarios sintéticos que simulan calles urbanas bajo condiciones variadas de tráfico y arquitectura, entrenando así modelos robustos que pueden adaptarse a múltiples realidades urbanas. Esto permite una validación precisa de algoritmos sin depender de costosas pruebas en campo (Alrabeiah et al., 2020).
Adicionalmente, la integración de ViWi con tecnologías como Inteligencia Artificial (AI, Artificial Intelligence) y redes definidas por software (SDN, Software Defined Networks) amplía sus posibilidades. Por ejemplo, ViWi puede alimentar sistemas de control dinámico de recursos radioeléctricos, ajustando en tiempo real la asignación de espectro en función del contexto visual del entorno, optimizando así el desempeño de redes densas de acceso múltiple (Cao et al., 2023).
En consecuencia, el uso de ViWi (Vision-Wireless) en la comunicación 6G también se alinea con las metas de sostenibilidad y eficiencia energética, ya que permite reducir el número de transmisiones innecesarias gracias a su capacidad predictiva. Esta eficiencia es especialmente crítica en entornos urbanos donde la congestión espectral y el consumo de energía eléctrica, representan factores limitantes en el diseño de redes de sexta generación (Li et al., 2022).
Predicción Precisa en Ciudades Inteligentes con ViWi y Wireless Insite para Redes 6G
Se ha demostrado, que los simuladores juegan un papel importante al evaluar el impacto de la tecnología 6G en ciudades inteligentes. A través de herramientas como ViWi (Vision-Wireless) o Wireless Insite, es posible simular entornos urbanos complejos y medir la precisión de predicciones basadas en visión artificial. Estos simuladores facilitan pruebas extensivas, ayudando a seleccionar haces electromagnéticos adecuados con gran fiabilidad incluso ante condiciones adversas, para los enlaces inalámbricos 6G (Alrabeiah, Hredzak, & Alkhateeb, 2020).
Por otra parte, al considerar la simulación de entornos urbanos complejos con tecnologías emergentes, se destacan los simuladores como ViWi (Vision-Wireless) y Wireless Insite. Estos recursos han sido clave para modelar de manera fidedigna entornos urbanos tridimensionales, lo cual permite evaluar el rendimiento de algoritmos de predicción apoyados en visión artificial dentro del marco de la sexta generación de comunicaciones móviles (6G). Por ejemplo, el simulador ViWi integra imágenes sintéticas y datos inalámbricos generados mediante trazado de rayos con herramientas como Blender y Wireless Insite, proporcionando escenarios urbanos realistas donde los modelos de predicción pueden ser entrenados y validados con precisión (Khan, Manzoor, & Rais, 2025).
Aunado a esto, se ha observado que la red 6G, no solo implica mejoras incrementales en capacidad y velocidad, sino que introduce nuevas capacidades como comunicación ultra confiable de baja latencia, posicionamiento preciso y sensores embebidos, lo cual requiere entornos de prueba altamente sofisticados. En este contexto, ViWi proporciona una base ideal para entrenar modelos de aprendizaje profundo que predicen obstrucciones de línea de vista entre el usuario y la antena, anticipando fallos de conectividad y adaptando dinámicamente la asignación de recursos del espectro (Yang, Chen, & Lee, 2024).
Del mismo modo, Wireless Insite, desarrollado por Remcom, emplea simulación electromagnética mediante técnicas de ray tracing para generar mapas de cobertura detallados en entornos urbanos densos. Este enfoque ha sido eficazmente aplicado en estudios de localización tridimensional y trazado dinámico de haces, optimizando el despliegue de redes 6G mediante mapas de predicción visual-espectral (Sesyuk, Ioannou, & Raspopoulos, 2022).
Simultáneamente, algunos investigadores han utilizado ViWi en combinación con redes neuronales convolucionales y estructuras LSTM, (Long Short-Term Memory), para anticipar la movilidad de usuarios y fluctuaciones de los canales. Estas predicciones no solo permiten una gestión más eficiente de los recursos inalámbricos, sino que también reducen la latencia en redes vehiculares V2X (Vehicle-to-Everything), mediante enlaces adaptativos (Noor-A-Rahim et al., 2022).
En un ejemplo práctico, Khan et al. (2025) propusieron un modelo de federación semántica llamado Semantic-aware Federated Blockage Prediction (SFBP), que combina datos visuales y espectrales para predecir obstáculos móviles como autobuses o peatones en tiempo real. Este sistema se evaluó en ViWi generando mejoras significativas en la predicción de obstrucción y continuidad del enlace 6G.
Predicción Federada Semántica en Redes 6G para Ciudades Inteligentes
A pesar de los avances en conectividad, las redes de sexta generación, enfrentan serias limitaciones derivadas de las obstrucciones móviles en entornos urbanos densos. En este escenario, la técnica de predicción federada semántica, (SFBP, Semantic-aware Federated Blockage Prediction), emerge como una solución robusta al permitir la detección anticipada de bloqueos sin la necesidad de centralizar los datos, garantizando privacidad y baja latencia (Khan, Manzoor, & Rais, 2025). Esta tecnología ha sido aplicada exitosamente en simulaciones urbanas con ViWi, combinando visión artificial y señales espectrales, posibilitando una respuesta en tiempo real frente a eventos como la aparición de peatones o autobuses que interrumpen la línea de vista entre dispositivos y antenas.
Del mismo modo, se ha identificado que el funcionamiento del sistema de predicción SFBP, basado en técnicas de aprendizaje federado (FL, Federated Learning), permite distribuir el entrenamiento del modelo entre múltiples nodos de borde. En este enfoque, se utiliza una arquitectura ligera basada en MobileNetV3 para extraer características semánticas directamente desde los dispositivos, lo que reduce significativamente el consumo de ancho de banda y los costos computacionales. A pesar de su ligereza, esta solución mantiene una precisión de predicción del 97.1%, comparable con la de sistemas centralizados, pero con una reducción del 88.75% en la carga comunicacional (Khan, Manzoor y Rais, 2025). Además, se ha incorporado un mecanismo denominado SD-FedAVG (Similarity-Driven Federated Averaging), que filtra actualizaciones ruidosas y mitiga ataques adversarios, fortaleciendo así la estabilidad del modelo global (Pan et al., 2025).
En cuanto a MobileNetV3, esta representa una arquitectura de redes neuronales convolucionales optimizada para dispositivos con recursos limitados. A través de un diseño eficiente, esta tecnología permite realizar inferencias directamente en el borde de la red, disminuyendo la necesidad de enviar datos a servidores centrales para su procesamiento (Khan, Manzoor y Rais, 2025).
Por consiguiente, al ser aplicada en el sistema de predicción SFBP, MobileNetV3 facilita la extracción de características semánticas relevantes desde las imágenes visuales recolectadas por los dispositivos. Gracias a esta capacidad, se logra una predicción precisa sin comprometer la eficiencia energética ni la velocidad del procesamiento (Khan, Manzoor y Rais, 2025).
Asimismo, esta arquitectura combina técnicas como convoluciones separables en profundidad y funciones de activación no lineales optimizadas, lo cual mejora el desempeño del modelo incluso en condiciones de conectividad limitada. En consecuencia, su uso en entornos federados contribuye a reducir el tráfico de red y a preservar la privacidad de los datos al evitar su centralización (Pan et al., 2025). En última instancia, MobileNetV3 no solo garantiza resultados competitivos en términos de precisión, sino que también habilita un procesamiento computacional más sostenible y escalable en aplicaciones 6G, especialmente dentro de contextos urbanos inteligentes.
Por otro lado, en relación a las características distintivas del SFBP, éstas incluyen: 1) inferencia local mediante visión semántica ligera, 2) sincronización federada con agregación robusta, y 3) compatibilidad con simuladores urbanos como ViWi y Wireless Insite. Estos elementos permiten integrar la técnica en escenarios reales como sistemas vehiculares V2X (Vehicle-to-Everything), redes de sensores urbanos y ciudades inteligentes densamente pobladas. Por ejemplo, su integración en redes de transporte público puede optimizar rutas de comunicación entre vehículos autónomos y estaciones base, anticipando bloqueos derivados de objetos móviles (Pan et al., 2025).
Simultáneamente, en las aplicaciones prácticas del campo de las redes 6G, el modelo de predicción SFBP ha sido empleado en gemelos digitales urbanos para predecir zonas de sombra electromagnética y adaptar el beamforming, (BF, Beamforming), de manera dinámica. Esto no solo mejora la continuidad del enlace, sino que también reduce la relación de fallas en traspasos de conexión, (PHO, Proactive Handover), en 7%, un avance esencial en entornos donde la movilidad es impredecible. Asimismo, el procesamiento distribuido en el borde minimiza la latencia hasta en un 23% respecto a modelos centralizados, siendo fundamental para aplicaciones sensibles como telemedicina móvil o automatización urbana.
Al mismo tiempo, la técnica SFBP tiene una alta sinergia con tecnologías de visión computacional, (CV, Computer Vision), ya que las imágenes urbanas extraídas por cámaras o drones se procesan directamente para generar mapas de predicción. Esta integración semántica optimiza la selección de haces electromagnéticos y ajusta la asignación espectral de forma autónoma, lo cual es esencial en el despliegue eficiente de redes de ondas mmWave y de los Terahertz, tecnologías base en la infraestructura 6G (Shaik, 2024).
Por lo tanto, la federación semántica, ejemplificada por el modelo SFBP, redefine el paradigma de conectividad urbana al combinar técnicas avanzadas de visión, aprendizaje distribuido y simulación electromagnética. Esta convergencia permite la creación de entornos urbanos hiper-conectados, donde los dispositivos colaboran sin comprometer la privacidad ni la eficiencia energética, contribuyendo a la evolución sostenible de las ciudades inteligentes.
adicionalmente, Pan et al. (2025) destacaron que el futuro de las redes inalámbricas dependerá de la capacidad de fusión sensorial entre visión artificial, señales inerciales y datos electromagnéticos, integrando arquitecturas distribuidas de inteligencia artificial. Estos desarrollos permiten simular con exactitud zonas urbanas complejas con grandes densidades de objetos móviles.
También es pertinente mencionar la utilidad de estos entornos para la generación de gemelos digitales urbanos, facilitando el diseño anticipativo de redes mediante modelos de simulación que reflejen el comportamiento físico real en ciudades inteligentes. Este enfoque se evidencia en la propuesta de Mohsan y Li (2023), donde los entornos simulados ayudan a validar redes cooperativas de sensores urbanos.
Igualmente, se ha demostrado que, mediante la predicción visual basada en visión artificial, (CV, Computer Vision), es posible identificar patrones urbanos que afectan la propagación electromagnética, como acumulaciones vegetativas, mobiliario urbano y estructuras verticales, optimizando los modelos de planificación de antenas y beamforming adaptativo (Shaik, 2024).
Con todo lo anterior, se puede afirmar, que los simuladores ViWi y Wireless Insite constituyen herramientas esenciales para la simulación de entornos urbanos y la medición de precisión de algoritmos visuales en sistemas 6G, impulsando desarrollos como la localización sin GPS, la selección óptima de rutas para vehículos autónomos y la administración dinámica de redes autoorganizadas (Fei, Mukhopadhyay, & Da Costa, 2024).
Simulación avanzada de ciudades inteligentes 6G utilizando Blender
En primer lugar, en el contexto de las ciudades inteligentes y las redes de sexta generación, (6G), Blender se ha consolidado como una herramienta fundamental para la generación de modelos urbanos tridimensionales de alta precisión. Este simulador gráfico de código abierto permite construir entornos virtuales urbanos detallados que replican fielmente la arquitectura, infraestructura y topología de una ciudad real, los cuales resultan esenciales para el análisis de propagación de ondas electromagnéticas en entornos urbanos densos, facilitando así la planificación de redes 6G (Jovanović et al., 2020).
Debe señalarse, que al integrar Blender con otras tecnologías emergentes como la visión por computadora, el aprendizaje profundo y el trazado de rayos, su aplicación se expande hacia la creación de gemelos digitales urbanos. Estos gemelos digitales permiten la evaluación de algoritmos de predicción de movilidad, la simulación de obstrucciones y el análisis de enlaces de comunicación inalámbrica en entornos urbanos altamente dinámicos. Tal enfoque ha sido explorado en iniciativas como CAVIAR, donde se co-simulan escenarios urbanos tridimensionales con comunicaciones 6G y modelos de inteligencia artificial distribuida (Borges et al., 2024a).
En lo que se refiere a CAVIAR, ésta constituye una metodología de co-simulación que permite integrar de forma sincronizada entornos urbanos tridimensionales, comunicaciones móviles 6G e inteligencia artificial distribuida. A través de esta integración, es posible generar gemelos digitales urbanos capaces de replicar el comportamiento físico y de red de sistemas reales bajo diversas condiciones dinámicas (Borges et al., 2024a).
Además, este marco combina simuladores como SUMO y Blender con motores de ray tracing para modelar objetos móviles como vehículos, peatones y drones, permitiendo la creación de datasets sintéticos aplicables al entrenamiento de algoritmos de aprendizaje profundo. Gracias a esta capacidad, los investigadores logran evaluar la eficacia de estrategias de selección de haces y planificación de recursos espectrales en redes 6G densamente pobladas (Oliveira et al., 2022).
En cuanto al simulador SUMO, (Simulation of Urban MObility), se trata de una herramienta de código abierto diseñada para modelar y simular el comportamiento del tráfico vehicular en entornos urbanos complejos. Mediante algoritmos de simulación microscópica, SUMO permite representar trayectorias individuales de vehículos y peatones, ofreciendo un marco detallado para analizar la dinámica del tránsito en tiempo real (Lopez et al., 2018).
Seguidamente, esta tecnología se ha integrado con otras plataformas como Blender y motores de ray tracing en entornos de simulación 6G, como el marco CAVIAR. Gracias a esta integración, es posible generar escenarios urbanos tridimensionales donde se simulan interacciones entre usuarios móviles y sistemas de comunicación inalámbrica, permitiendo así evaluar estrategias de gestión de espectro y conectividad (Oliveira et al., 2022).
Cabe mencionar que, al sincronizar datos de movilidad con canales de propagación, SUMO facilita la creación de conjuntos de datos sintéticos altamente realistas. Estos datos son fundamentales para entrenar algoritmos de inteligencia artificial que deben operar en entornos urbanos densos, donde las condiciones de movilidad y señal son variables e impredecibles (Modesto et al., 2025).
De esta forma, su capacidad de inter-operar con otros simuladores y motores físicos convierte a SUMO en una herramienta indispensable para el desarrollo y validación de tecnologías vehiculares inteligentes, infraestructuras cooperativas y redes de comunicación vehicular avanzadas.
Continuando con la descripción de CAVIAR, es conveniente mencionar que, esta facilita la evaluación conjunta de las condiciones del canal, los movimientos urbanos y los patrones de interferencia, lo cual resulta fundamental en la validación de arquitecturas de comunicaciones autoorganizadas. Así mismo, su versatilidad permite comparar diversos modelos de IA en condiciones controladas y replicables, acelerando el desarrollo de soluciones confiables para ciudades inteligentes (Modesto et al., 2025).
Así, su aplicación en escenarios de redes ultra estables de baja latencia evidencia el potencial de CAVIAR para transformar el diseño anticipado de sistemas de comunicaciones en entornos urbanos hiper-conectados, apoyando tanto en simulaciones previas al despliegue como en ajustes en tiempo real.
En consecuencia, las simulaciones posibilitan la evaluación precisa de tecnologías clave para la sexta generación, como el direccionamiento adaptativo de haces, la localización sin soporte satelital y la gestión dinámica de espectro. Mediante Blender, es factible modelar vehículos, peatones, árboles y mobiliario urbano, lo cual aporta un nivel de realismo crítico para predecir la interferencia y el comportamiento del canal en tiempo real (Borges et al., 2024b).
Es útil subrayar, que Blender también se aplica con eficacia en escenarios de simulación para vehículos autónomos, infraestructura inteligente y redes vehiculares (V2X, Vehicle-to-Everything), al representar entornos urbanos complejos con interacción de múltiples agentes móviles. Estas características son fundamentales en el desarrollo de aplicaciones de comunicación ultraconfiable y de baja latencia, pilares de las redes 6G. En efecto, al emplearse junto a simuladores electromagnéticos y marcos de IA, Blender se posiciona como un componente estratégico en el ecosistema de simulación para ciudades inteligentes y redes de nueva generación (Jovanović et al., 2020; Borges et al., 2024a).
Ray tracing en redes 6G: mapas de cobertura detallados en entornos urbanos densos
En el contexto de las redes 6G, se prevé el uso de frecuencias milimétricas y de los sub-terahertz para lograr altas velocidades de transmisión de datos, lo cual plantea problemas técnicos de propagación, particularmente en entornos urbanos densos con multitud de edificios y obstáculos. Por tanto, se recurre a técnicas de trazado de rayos (ray tracing) para generar mapas de cobertura detallados, ya que los modelos convencionales (estocásticos o híbridos) resultan insuficientes en estas condiciones. Estas técnicas deterministas permiten una caracterización más precisa de la señal, aunque exigen un mayor costo computacional y dependen fuertemente de la calidad del modelo tridimensional del entorno (Ghaderi Aram et al., 2024).
Fundamentos del trazado de rayos en 6G
En esencia, el trazado de rayos es un método de modelado que describe la propagación de ondas de radio mediante “rayos” que interactúan con el entorno de forma análoga a los rayos ópticos. Este enfoque se basa en una aproximación de alta frecuencia de las ecuaciones de Maxwell, asumiendo que la energía viaja a lo largo de trayectorias geométricas rectilíneas excepto cuando encuentra superficies donde puede reflejarse, refractarse, difractarse o dispersarse (Ghaderi Aram et al., 2024). De hecho, el campo electromagnético incidente sobre los elementos del entorno se representa como un conjunto de rayos que se propagan y sufren múltiples interacciones, imitando los fenómenos físicos reales de la propagación radioeléctrica en entornos urbanos complejos (Ghaderi Aram et al., 2024). En efecto, los simuladores de ray tracing modernos combinan varias técnicas clásicas del electromagnetismo para lograr esta representación. Específicamente, incorporan algoritmos de disparo y rebote de rayos (Shooting-and-Bouncing Rays, SBR) basados en la óptica geométrica y el principio de Fermat (trayectoria de tiempo mínimo), para modelar las reflexiones sucesivas en edificios u otras superficies (Ghaderi Aram et al., 2024).
Asimismo, utilizan modelos de óptica física (Physical Optics, PO) para calcular la intensidad de los campos dispersos cuando la onda incide sobre superficies rugosas o irregulares, y aplican la teoría uniforme de la difracción (Uniform Theory of Diffraction, UTD) para estimar las contribuciones debidas a la difracción en aristas y esquinas (Ghaderi Aram et al., 2024). Gracias a la combinación de estos métodos, el trazado de rayos puede capturar con fidelidad los múltiples caminos de propagación (directo, reflejado, difractado, etc.), reproduciendo fenómenos de multi-propagación que determinan la cobertura y la calidad de la señal en entornos urbanos densos.
Además, a las frecuencias extremadamente altas que contempla 6G (onda milimétrica y por encima de 100 GHz), entran en juego fenómenos adicionales que los modelos de ray tracing pueden incorporar. Por ejemplo, la absorción atmosférica debida a los gases (oxígeno, vapor de agua) atenúa las señales a distancias elevadas, y la dispersión difusa causada por superficies ásperas se vuelve más relevante a medida que la longitud de onda disminuye (Remcom, 2024). Los algoritmos actuales incluyen ajustes para considerar estas pérdidas por absorción en el aire y modelar la dispersión no especular, lo que permite simular con mayor realismo la propagación a frecuencias de los sub-THz, características de las futuras redes 6G (Remcom, 2024). De este modo, el trazado de rayos proporciona una base sólida para predecir la cobertura y el comportamiento de un canal de radio frecuencias en escenarios urbanos complejos, abarcando tanto las bandas convencionales como los nuevos rangos espectrales de la tecnología 6G.
Simulación tridimensional de entornos urbanos densos
Es esencial destacar que, para lograr predicciones precisas de cobertura en áreas urbanas densas, es necesario contar con modelos 3D detallados del entorno donde se desplegará una nueva red. Estos modelos (auténticos gemelos digitales urbanos) representan con fidelidad la geometría de los edificios, el mobiliario urbano, el terreno e incluso la vegetación, proporcionando el escenario sobre el cual se realiza el trazado de rayos (Ghaderi Aram et al., 2024). De este modo, se puede emular una ciudad real en un entorno virtual: las estaciones base, antenas y usuarios se ubican en esta maqueta digital y el algoritmo de ray tracing calcula las trayectorias de las señales considerando las interacciones con cada fachada, tejado o elemento presente. Asimismo, la disposición de las edificaciones y materiales en la ciudad influye críticamente en la propagación, por lo que simular su efecto resulta indispensable para las redes 6G. Estudios recientes resaltan que la posición y altura de los edificios, así como el diseño de las antenas, pueden impactar significativamente el desempeño de la red (Ghaderi Aram et al., 2024).
En consecuencia, el trazado de rayos permite generar mapas de cobertura o “mapas de calor” de la señal sobre el plano urbano, mostrando niveles de potencia recibida, relaciones señal/ruido (SNR) o velocidades de datos esperadas en cada rincón de la ciudad (Ghaderi Aram et al., 2024). Estos mapas detallados ayudan a identificar sombras detrás de edificios, zonas de buena cobertura por reflexiones múltiples, y áreas donde puede ser necesario instalar nodos adicionales. Cabe destacar que en las simulaciones se pueden incluir también las propiedades electromagnéticas de los materiales (por ejemplo, constante dieléctrica de hormigón, vidrio, metal) para estimar con mayor exactitud la reflexión y transmisión a través de paredes, así como elementos como árboles u obstáculos móviles cuando corresponda (Remcom, 2024). En suma, la construcción de entornos virtuales 3D precisos, junto con el trazado de rayos, habilita la planificación avanzada de redes 6G al predecir de forma realista la cobertura en escenarios urbanos densos sin tener que recurrir únicamente a mediciones de campo costosas.
Herramientas de simulación: Wireless InSite y ViWi
En este ámbito, existen tanto herramientas comerciales como iniciativas académicas que implementan técnicas de ray tracing para redes de próxima generación. La mayoría del software de simulación de alta fidelidad es de carácter propietario, aunque comienzan a emerger algunas opciones de código abierto en desarrollo (Ghaderi Aram et al., 2024).
Por ejemplo, Wireless InSite es una plataforma comercial ampliamente utilizada que ofrece simulación de propagación tridimensional mediante trazado de rayos de alta fidelidad. Desarrollada por Remcom, Wireless InSite cuenta con un Motor de cálculo tridimensional extendido (X3D, eXtended 3D), capaz de modelar reflecciones múltiples, difracciones y transmisiones a través de edificios con gran precisión, abarcando escenarios outdoor urbanos y también interiores (Remcom, 2024). Adicionalmente, esta herramienta incorpora optimizaciones como la aceleración por Unidad de procesamiento gráfico (GPU, Graphics Processing Unit) y multi-hilo para reducir los tiempos de cómputo, permitiendo simular entornos urbanos complejos en un tiempo razonable (Remcom, 2024). Wireless InSite provee también funciones avanzadas orientadas a 6G, por ejemplo: soporte de meta Superficies inteligentes reconfigurables (RIS, Reconfigurable Intelligent Surfaces), para estudiar su efecto en la cobertura, modelado de dispersión difusa en superficies rugosas, y consideración de absorción atmosférica en bandas milimétricas y sub-milimétricas (Remcom, 2024). Gracias a estas capacidades, es posible utilizar Wireless InSite para generar mapas de cobertura muy detallados y evaluar el rendimiento de antenas con Múltiples entradas y múltiples salidas masivas (MIMO, Massive Multiple Input Multiple Output), esquemas de beamforming y otras tecnologías clave de 5G/6G en entornos urbanos reales.
Por su parte, ViWi (Vision-Wireless) representa una iniciativa académica notable que explota el ray tracing de una manera innovadora, combinándolo con datos visuales para aplicaciones de inteligencia artificial en comunicaciones. La técnica ViWi es esencialmente un marco de generación de datos sintéticos propuesto por investigadores, cuyo fin es crear conjuntos de datos a gran escala que emparejen información del entorno visual (imágenes de cámaras) con las características de los canales inalámbricos simulados en ese entorno (Alrabeiah et al., 2019). En particular, esta herramienta modela escenarios urbanos dinámicos (por ejemplo, calles con vehículos y peatones) y emplea un simulador de ray tracing para producir sistemáticamente miles de instancias de datos: cada instancia incluye la imagen RGB de la escena y los parámetros del canal mmWave correspondiente (como la dirección y potencia de los haces óptimos) (Alrabeiah et al., 2019). De esta manera, la técnica ViWi posibilita investigar soluciones de comunicaciones vehiculares asistidas por visión, entrenando algoritmos de machine learning que, a partir de las imágenes de cámaras, puedan predecir bloqueos inminentes o seleccionar el mejor haz de antena para un vehículo en movimiento (Alrabeiah et al., 2019). De esta manera, ViWi demuestra cómo el trazado de rayos puede integrarse con técnicas de visión por computadora para crear gemelos digitales enriquecidos con múltiples modalidades de datos, acelerando el desarrollo de algoritmos inteligentes de gestión de enlaces en redes 6G.
Ray Tracing en Comunicaciones V2X: Optimización de Conectividad Vehicular en Entornos Urbanos
En comunicaciones vehiculares V2X, el trazado de rayos se utiliza para comprender y optimizar la conectividad entre vehículos y entre vehículos e infraestructura en entornos urbanos congestionados. La disponibilidad de modelos de canal realistas a frecuencias milimétricas (28–60 GHz) es esencial para habilitar aplicaciones vehiculares avanzadas –como platooning (circulación en convoy) o sistemas anti-colisión en intersecciones– que requieren enlaces inalámbricos fiables y de gran capacidad. Estudios basados en simulaciones deterministas han examinado canales vehiculares a 60 GHz en una ciudad, verificando mediante mediciones que el ray tracing puede reproducir fielmente las estadísticas de desvanecimiento y la pérdida de la trayectoria en estos escenarios (Lübke et al., 2021).
Asimismo, se ha observado que en dichas bandas las trayectorias reflejadas en edificios suelen aportar potencias considerablemente mayores que las contribuciones por dispersión difusa o multi-trayectoria menor, llegando a ser hasta aproximadamente unos 30 dB más intensas en relación a la potencia recibida (Lübke et al., 2021). Esta información, obtenida gracias al trazado de rayos, es muy valiosa para diseñar las estrategias de comunicaciones V2X (por ejemplo, elegir posiciones óptimas de antenas en vehículos y carreteras) de forma que se aprovechen las reflexiones beneficiosas y se mitiguen las zonas de sombra, mejorando la cobertura y la confiabilidad de la red vehicular.
Ray Tracing y Drones en Redes 6G: Simulación de Enlaces Aire-Tierra en Ciudades Inteligentes
En el caso de los UAVs (drones) utilizados como nodos de comunicaciones en 6G, el ray tracing resulta indispensable para modelar los enlaces aire-tierra en entornos urbanos. A diferencia de las estaciones base fijas, los drones pueden volar a distintas altitudes y tener línea de vista desde arriba de los edificios, pero también sufren bloqueos y reflexiones en azoteas y fachadas. Investigaciones recientes han desarrollado modelos tridimensionales para canales UAV basados en geometría estocástica e incorporando trazado de rayos para la componente determinista, enfocándose en bandas de onda milimétrica (28 GHz, por ejemplo) (Cheng et al., 2020).
Aquí, es importante resaltar que, mediante simulaciones en un escenario urbano (como un campus con edificios) se logró generar canales no estacionarios acordes al movimiento de un dron, cuyos parámetros estadísticos (pérdidas, retardos, dispersión angular) mostraron buena correspondencia con mediciones reales reportadas en la literatura (Cheng et al., 2020). Esto indica que el trazado de rayos puede capturar adecuadamente tanto la componente de línea de vista predominante en enlaces aire-tierra, como las reflexiones en el suelo y edificios que contribuyen a la cobertura cuando el dron vuela a baja altura. Gracias a estos modelos, es posible optimizar la ubicación y trayectoria de los UAVs de relevo o estaciones base voladoras en 6G, evaluando de antemano mediante simulación la cobertura que ofrecerán en la ciudad y garantizando la continuidad del servicio incluso entre “cañones urbanos” formados por rascacielos.
Simulación de Cobertura 6G con Ray Tracing en Ciudades Inteligentes: El Rol de los Gemelos Digitales
De igual manera, los gemelos digitales urbanos se perfilan como una aplicación clave donde el ray tracing demuestra su potencial. Un gemelo digital urbano consiste en una réplica virtual de una ciudad o parte de ella, mantenida actualizada con datos del mundo real, que permite probar virtualmente diversas estrategias de despliegue y operación de la red. Gracias al trazado de rayos, estos gemelos pueden simular en tiempo real la propagación de señales 6G en la ciudad virtual, generando mapas de cobertura y rendimiento bajo diferentes supuestos. Por ejemplo, los planificadores pueden introducir en el gemelo digital la ubicación de nuevas estaciones base 6G o repetidores, y mediante ray tracing obtener instantáneamente predicciones de cobertura para determinar si esas ubicaciones cubrirían adecuadamente zonas de alta demanda (Ghaderi Aram et al., 2024).
Igualmente, se pueden simular escenarios hipotéticos –como la construcción de un nuevo edificio alto que genere sombra radioeléctrica, o la reconfiguración de una antena inteligente (RIS) en una fachada– para ver cómo impactarían en la red antes de que ocurran en la realidad. Este enfoque, habilitado por la combinación de gemelos digitales con ray tracing, permite optimizar las redes urbanas de forma anticipada, ahorrando costes y reduciendo riesgos, y se vislumbra como una herramienta de apoyo fundamental para ingenieros y urbanistas en la era 6G (Ghaderi Aram et al., 2024).
Inteligencia Artificial Distribuida y Ray Tracing: El Futuro de las Redes 6G Inteligentes
En lo que corresponde a la inteligencia artificial distribuida en el borde de la red, ésta, se ha convertido en uno de los pilares previstos de 6G, y su sinergia con el trazado de rayos abre nuevas posibilidades. En 6G se espera que múltiples dispositivos, vehículos y nodos de infraestructura colaboren ejecutando algoritmos de machine learning de forma distribuida (por ejemplo, aprendizaje federado entre coches autónomos, drones y sensores urbanos), lo cual exige comunicaciones de ultra baja latencia y alta confiabilidad (Peltonen et al., 2020).
En este sentido, los entornos simulados con ray tracing pueden proporcionar los datos y escenarios de entrenamiento para desarrollar y probar dichos algoritmos de IA en condiciones cercanas a las reales. Por ejemplo, un gemelo digital con ray tracing podría alimentar a un agente de inteligencia artificial con información detallada de las variaciones de los canales, en una ciudad, permitiéndole aprender estrategias de handover o asignación de recursos de forma óptima. De hecho, las visiones de 6G apuntan hacia una convergencia entre comunicaciones y cómputo, donde la red no solo transporta datos, sino que toma decisiones autónomas apoyada por IA en cada rincón (Edge Intelligence); para ello, es imprescindible conocer con precisión el estado del canal en todo momento (Peltonen et al., 2020).
Sin duda, las simulaciones de ray tracing, al ofrecer mapas precisos de cobertura y calidad de enlace, facilitan la administración y control inteligente de los recursos en tiempo real –por ejemplo, reconfigurando antenas, ajustando potencias o re-enrutando flujos– de manera que los algoritmos distribuidos de IA mantengan su desempeño óptimo. Con todo esto, la combinación de ray tracing + IA permitirá a las redes 6G adaptarse dinámicamente a las condiciones del entorno, haciendo realidad una “Internet de las cosas inteligente” donde el aprendizaje automático y las comunicaciones se potencian mutuamente (Peltonen et al., 2020).
Ray Tracing en 6G: Herramienta Clave para el Diseño de Redes Urbanas Inteligentes
Con lo anteriormente descrito, se puede asegurar, que el modelado con ray tracing se perfila como una herramienta fundamental para el diseño y la operación de las redes 6G en entornos urbanos densos, al permitir simular con gran fidelidad la propagación de señales y generar mapas de cobertura detallados. Si bien, conlleva un costo computacional elevado y depende de la disponibilidad de modelos 3D precisos de las ciudades, las mejoras continuas en el poder de cómputo (por ejemplo, el uso masivo de GPU) y en la obtención de datos geoespaciales detallados están facilitando su adopción práctica (Ghaderi Aram et al., 2024).
Es pertinente indicar, que las técnicas específicas de trazado de rayos –desde el Trazado de rayos basado en disparos (SBR, Shooting and Bouncing Rays) para reflexiones, hasta la Teoría uniforme de la difracción (UTD, Uniform Theory of Diffraction) para difracciones– se han enriquecido para abarcar las nuevas demandas de 6G, incorporando fenómenos de altas frecuencias como la absorción atmosférica o las metasuperficies reconfigurables. Por otro lado, al integrarse con gemelos digitales urbanos y con algoritmos de inteligencia artificial distribuida, el trazado de rayos permitirá optimizar preventivamente las redes de próxima generación, reduciendo la incertidumbre en despliegues urbanos y garantizando el rendimiento incluso en los escenarios más complejos y dinámicos (Peltonen et al., 2020). Se enfatiza, que las investigaciones actuales confirman que esta sinergia entre simulación precisa y tecnología 6G será clave para materializar la visión de ciudades inteligentes y conectadas de forma ubicua y eficiente.
Implementación de drones en la gestión preventiva de conectividad
Sumado a lo anterior, el uso de drones equipados con cámaras para capturar información visual en tiempo real representa una solución prometedora para la predicción anticipada de bloqueos. Estos dispositivos, al sobrevolar áreas con alta densidad de usuarios, permiten a las estaciones base ajustar la configuración de los haces antes de cualquier interrupción, optimizando así la calidad del servicio. Este tipo de tecnología es particularmente útil en eventos multitudinarios como conciertos o estadios, donde la señal en las ondas mmWave puede verse bloqueada de forma impredecible (Zhang et al., 2024).
Predicción de trayectoria de haces con redes neuronales recurrentes
Inspirado por el hecho de que el uso de dispositivos de detección de posición o entorno en los terminales móviles puede facilitar el establecimiento de enlaces y el seguimiento de haces electromagnéticos de los enlaces inalámbricos, se ha propuesto una solución basada en sensores visuales, Lidar, radar y otros tipos de sensores, o incluso su combinación, para abordar las dificultades técnicas que se generen en la gestión de haces (BM) en las bandas de las ondas mmWave y de los THz. En este sentido, para explotar la capacidad de modelado secuencial, se han empleado Redes Neuronales Recurrentes (RNN) con el fin de predecir la trayectoria de los haces electromagnéticos, basándose en secuencias de datos sensoriales. Ha quedado en evidencia la validación experimental, realizada con el conjunto de datos DeepSense, lo que demuestra que el uso de dicha información sensorial permite aumentar la precisión y reducir la sobrecarga en el seguimiento de los haces de los enlaces (Jiang & Alkhateeb, 2022).
Enfoques multimodales para entornos dinámicos
Adicionalmente, otros enfoques han propuesto el uso de información sensorial multimodal que incluye sensores ultrasónicos, cámaras termográficas e infrarrojas para entrenar redes neuronales convolucionales (CNN) de tipo región-convolución, con el objetivo de mejorar la predicción de bloqueos y la elección de haces adecuados en tiempo real. Estas redes pueden procesar información visual para anticipar condiciones del entorno y ajustar los haces de manera anticipada (Charan et al., 2024).
RNN en predicción de movimiento para conectividad estable
Por otra parte, las Redes neuronales recurrentes (RNN, Recurrent Neural Network) han demostrado ser herramientas esenciales en la predicción de trayectorias de haces en redes de comunicaciones, gracias a su capacidad para manejar secuencias temporales. Esto permite, por ejemplo, analizar en tiempo real los datos provenientes de sensores de posición y movimiento para anticipar la dirección más adecuada del haz, asegurando una conectividad estable en entornos de alta movilidad (Jiang & Alkhateeb, 2022).
Visión computacional en comunicaciones de emergencia y eventos masivos
En este contexto, la gestión avanzada de haces (Beam Management, BM) se ha convertido en un componente esencial para las redes móviles de sexta generación (6G), especialmente en entornos urbanos densos y dinámicos. La alta direccionalidad y sensibilidad de las señales en las bandas milimétricas (mmWave) y de los Terahercios (THz) las hacen susceptibles a bloqueos repentinos causados por obstáculos móviles o estáticos. Una solución emergente es la predicción de bloqueos y selección de haces asistida por visión, donde se utilizan cámaras para capturar imágenes del entorno y entrenar redes neuronales como las residuales (ResNet, Residual Neural Networks). Estas redes permiten mapear datos visuales a índices óptimos de haces, anticipando interrupciones en la conectividad y ajustando los enlaces antes de que ocurran fallas (Khan et al., 2023).
Simulación con ViWi: clave en la predicción de haces para redes inteligentes mmWave
El marco ViWi (Visual Wireless) es una plataforma avanzada de simulación que genera conjuntos de datos combinando imágenes urbanas y parámetros de canales en las ondas mmWave. Su uso ha sido clave para entrenar algoritmos robustos de predicción previos al despliegue. Por ejemplo, una red ResNet entrenada con datos de ViWi puede anticipar qué haces serán bloqueados por obstáculos, optimizando así el barrido de haces y reduciendo la latencia en las comunicaciones (Alrabeiah, Hredzak, & Alkhateeb, 2020).
Drones con visión artificial como estaciones móviles en zonas de desastre
El uso de drones equipados con cámaras como estaciones base móviles (BS) ofrece cobertura dinámica en operaciones de rescate durante inundaciones, terremotos u otras emergencias. Estos drones recopilan información visual en tiempo real, utilizada por algoritmos como las RNN (Recurrent Neural Networks) para predecir trayectorias óptimas de haces, asegurando conectividad continua incluso en entornos hostiles (Jiang & Alkhateeb, 2022).
Redes CNN regionales para predicción de bloqueos en condiciones de baja visibilidad
En ambientes con baja visibilidad como humo, polvo o niebla, la incorporación de sensores como cámaras térmicas, infrarrojas, Lidar y ultrasónicas potencia la precisión en la predicción de bloqueos. Las redes neuronales convolucionales regionales (Fast R-CNN) integran estas fuentes sensoriales para redirigir haces preventivamente, brindando soluciones eficaces cuando los sensores ópticos convencionales fallan (Charan et al., 2024).
Fusión sensorial y RNN: visión holística del entorno en redes mmWave
La fusión de sensores visuales, radar y datos de posición permite una visión integral del entorno. Esta integración mejora la fiabilidad en la predicción de bloqueos y facilita la toma de decisiones en tiempo real. Las redes RNN destacan por su capacidad para analizar secuencias temporales y anticipar eventos de interrupción en la señal, mejorando así la continuidad en redes de las ondas mmWave (Jiang & Alkhateeb, 2022).
Visión térmica e infrarroja en comunicaciones 6G en entornos extremos
Las tecnologías de visión térmica e infrarroja representan una solución viable en redes en las ondas mmWave y en los THz para ambientes nocturnos o con visibilidad comprometida. Aunque presentan limitaciones como baja resolución, su integración con redes neuronales CNN entrenadas, permite mantener la conectividad en escenarios críticos, como misiones de rescate donde otras tecnologías fallan (Charan et al., 2024).
Simulaciones avanzadas para optimizar despliegues en campo con drones 6G
La implementación de redes neuronales en plataformas de drones permite sostener la conectividad en eventos de alta densidad como conciertos o catástrofes naturales. Mediante simulaciones visuales avanzadas, como las de Wireless Insite, se evalúa el rendimiento antes del despliegue, asegurando redes eficientes y adaptativas (Zhang et al., 2024).
Redes 6G y visión artificial: tecnologías clave para la predicción de haces en entornos dinámicos
Las tecnologías exploradas aquí no son meras mejoras incrementales, sino el corazón de una transformación radical en las comunicaciones móviles. En particular, la capacidad de predecir bloqueos con visión artificial, validada mediante simulaciones como las de ViWi, demuestra su eficacia en entornos urbanos densos y altamente dinámicos (Alrabeiah, Hredzak, & Alkhateeb, 2020).
Drones con visión computacional en eventos masivos: conectividad sin interrupciones
En eventos multitudinarios como conciertos, ferias o partidos, drones con visión computacional pueden anticipar interrupciones en la señal, permitiendo que la red adapte dinámicamente sus haces para mantener una cobertura robusta y continua (Zhang et al., 2024).
Sensores inteligentes para mejorar eficiencia y seguridad en IoT industrial
En contextos industriales, sensores avanzados como Lidar o infrarrojos permiten detectar maquinaria u obstáculos en movimiento, optimizando la conectividad IoT y mejorando tanto la seguridad operativa como la eficiencia energética.
Visión artificial en comunicaciones de emergencia y vigilancia crítica
Las tecnologías de visión artificial pueden revolucionar las comunicaciones de emergencia al desplegar estaciones base móviles en zonas afectadas por desastres. Además, su uso en vigilancia ambiental e infraestructura crítica garantiza conectividad estable y baja latencia, aspectos esenciales en situaciones de alto riesgo.
Redes 6G como sistema sensorial inteligente para el futuro
Las redes 6G no solo serán más rápidas; se convertirán en sistemas sensoriales autónomos, capaces de anticipar y adaptarse a su entorno. Este avance impactará múltiples sectores, desde la medicina de emergencia hasta la exploración espacial, consolidando su importancia estratégica global.
Redes 6G y visión computacional: cimientos de la conectividad inteligente del futuro
En conclusión, las tecnologías descritas a lo largo de este artículo no representan simples avances incrementales, sino verdaderos catalizadores del futuro digital. Por ejemplo, la implementación de redes neuronales residuales (ResNet) y técnicas de aprendizaje federado en sistemas de predicción de bloqueos, como el modelo SFBP, demuestra cómo la IA puede optimizar la conectividad en entornos urbanos densos, garantizando una calidad de servicio superior y anticipando interrupciones de señal incluso antes de que ocurran (Khan, Manzoor, & Rais, 2025).
De igual forma, el uso de drones equipados con visión artificial en situaciones críticas como eventos multitudinarios o desastres naturales ha evidenciado su capacidad para actuar como estaciones móviles inteligentes, adaptando en tiempo real la gestión de haces electromagnéticos asegurando la continuidad de los enlaces inalámbricos en escenarios donde la infraestructura terrestre puede verse comprometida (Zhang et al., 2024; Jiang & Alkhateeb, 2022). Este enfoque no solo salva vidas, sino que también garantiza una respuesta ágil y coordinada ante emergencias.
Asimismo, herramientas de simulación como ViWi, Blender y Wireless InSite han permitido construir entornos virtuales altamente realistas, conocidos como gemelos digitales urbanos, que facilitan el entrenamiento de modelos de IA y la validación anticipada de arquitecturas de red. Gracias a estas simulaciones, se puede prever el comportamiento de los canales inalámbricos, optimizar la ubicación de antenas y planificar con precisión el despliegue de las redes 6G en ciudades inteligentes (Borges et al., 2024a; Ghaderi Aram et al., 2024).
Por ende, la visión computacional en redes 6G no solo se limita a mejorar la calidad de la conexión; su impacto se extiende hacia áreas como la movilidad autónoma, la industria 4.0, la telemedicina y la exploración espacial, consolidándose como una de las tecnologías estratégicas más relevantes del siglo XXI. Este avance tecnológico transformará a las redes en organismos sensoriales distribuidos que no solo transmiten datos, sino que también perciben, interpretan y reaccionan de forma inteligente y autónoma (Peltonen et al., 2020).
Finalmente, se invita al lector a seguir explorando e investigando este fascinante campo, ya que su desarrollo no solo dependerá del progreso tecnológico, sino también de la colaboración interdisciplinaria entre ingenieros, urbanistas, desarrolladores de IA y responsables de políticas públicas. El futuro de la conectividad está en nuestras manos, y las redes 6G, potenciadas por visión artificial, representan el puente entre el presente digital y un mañana verdaderamente inteligente, eficiente y sostenible.
Referencias Recomendadas
Abd Elaziz, M., Al-qaness, M. A. A., & Dahou, A. (2024). Evolution toward intelligent communications: Impact of deep learning applications on the future of 6G technology. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery.
Ahn, Y. (2024). A Study on Sensing and Deep Learning-aided Wireless Communications for Intelligent 6G. Seoul National University. https://s-space.snu.ac.kr/handle/10371/209587
Ahn, Y., Kim, J., Kim, S., Shim, K., & Kim, J. (2022). Toward intelligent millimeter and terahertz communication for 6G: Computer vision-aided beamforming. IEEE Communications.
Akyildiz, I. F., Kak, A., & Nie, S. (2020). 6G and beyond: The future of wireless communications systems. GetMobile: Mobile Computing and Communications, 24(3), 27-33.
Akyildiz, I. F., Kak, A., & Nie, S. (2020). 6G and beyond: The future of wireless communications systems. IEEE Access, 8, 133995–134030.
Akyildiz, I. F., Kak, A., & Nie, S. (2022). 6G and beyond: The future of wireless communication systems. Computer Networks, 217, 109330.
Ali, A., & Koucheryavy, Y. (2025). Adaptive Beam Tracking in 5G/6G mmWave networks: A Clustered Federated Learning Approach. IEEE Access.
Ali, E. S., Saeed, R. A., Eltahir, I. K., & Khalifa, O. O. (2023). A systematic review on energy efficiency in the internet of underwater things (IoUT): Recent approaches and research gaps. Journal of Network and Computer Applications, 211, 103595.
Ali, S., Saad, W., Rajatheva, N., Chang, K., et al. (2020). 6G white paper on machine learning in wireless communication networks. arXiv:2004.13875
Alkhateeb, A., Charan, G., & Osman, T. (2023). DeepSense 6G: A large-scale real-world multi-modal sensing and communication dataset. IEEE Communications Magazine.
Alkhateeb, A., Demirhan, U. (2024). Radar aided 6G beam prediction: Deep learning algorithms and real-world demonstration. IEEE Wireless Communications.
Alkhateeb, A., Jiang, S., & Charan, G. (2023). Real-time digital twins: Vision and research directions for 6G and beyond. IEEE Communications Magazine.
Aloupogianni, E., Karyotis, C., & Maniak, T. (2024). Network Slicing for Beyond 5G Networks using Machine Learning. 2024 IEEE 24th International Symposium on. IEEE Xplore.
Alraih, S., Shayea, I., Behjati, M., Nordin, R., & Abdullah, N. F. (2022). Revolution or evolution? Technical requirements and considerations towards 6G mobile communications. Sensors, 22(3), 762.
Alrabeiah, M., & Alkhateeb, A. (2020). Deep learning for mmWave beam and blockage prediction using sub-6 GHz channels. IEEE Transactions on Communications.
Alrabeiah, M., Hredzak, A., & Alkhateeb, A. (2020). Vision-aided beam prediction for mobility management in 5G and beyond. IEEE Transactions on Wireless Communications, 19(6), 3900-3914. https://doi.org/10.1109/TWC.2020.2975827
Alrabeiah, M., Hredzak, A., Liu, Z., & Alkhateeb, A. (2019, April). ViWi: A deep learning dataset framework for vision-aided wireless communications. En Proceedings of the IEEE Vehicular Technology Conference (VTC Spring) (pp. 1–5). IEEE.
Alrabeiah, M., Hredzak, B., & Alkhateeb, A. (2020). ViWi: A deep learning dataset framework for vision-aided wireless communications. IEEE Communications Magazine, 58(2), 71–77.
Alrabeiah, M., Hredzak, B., & Alkhateeb, A. (2020). ViWi: A Deep Learning Dataset Framework for Vision-Aided Wireless Communications. IEEE Communications Magazine, 58(12), 61-67.
Alrabeiah, M., Hredzak, B., & Alkhateeb, A. (2020). Vision-aided beam prediction in 6G communication systems. IEEE Wireless Communications, 27(6), 86-92.
Alsharif, M. H., Kim, J., & Kim, J. (2020). 6G Mobile Communication Technology: Vision, Challenges, and Future Trends. Human-Centric Computing and Information Sciences, 10(1), 1-16.
Alsharif, M. H., Nordin, R., & Shubhi, R. (2020). Evolution toward 6G Internet of Things for a smart healthcare system: Framework and applications. IEEE Access, 8, 115960–115970.
Amodu, O. A., Nordin, R., Abdullah, N. F., & Busari, S. A. (2024). Technical advancements towards RIS-assisted NTN-based THz communication for 6G and Beyond. IEEE Access.
An, Y. (2024). A Study on Sensing and Deep Learning-aided Wireless Communications for Intelligent 6G. Seoul National University Repository.
Ao, T., Zhang, K., Shi, H., et al. (2023). Energy-efficient multi-UAVs cooperative trajectory optimization for communication coverage: An MADRL approach. Remote Sensing, 15(2), 429.
Arulkumaran, K., Deisenroth, M. P., Brundage, M., & Bharath, A. A. (2017). A brief survey of deep reinforcement learning. IEEE Signal Processing Magazine, 34(6), 26–38.
Ashok, P., Suganya, R., Lekha, P., & Pandian, P. (2025). Developed a Machine Learning and Deep Learning Model for 5G MIMO Data Based Beam Selection and Intelligent Network Analytics. SN Computer Science, Springer.
Bajaj, S., Patel, D. K., Raval, M. S., & Zaveri, M. (2024). VisionReli6G: Enhancing 6G Wireless Reliability with CNN-LSTM for LOS Blockage Prediction. Proceedings of the 2024 ACM Conference.
Bajaj, S., Patel, D. K., Raval, M. S., & Zaveri, M. (2024). VisionReli6G: Enhancing 6G Wireless Reliability with CNN-LSTM for LOS Blockage Prediction. Proceedings of the 2024 International Conference on Smart Technologies.
Balanis, C. A. (2016). Antenna theory: Analysis and design (4th ed.). John Wiley & Sons.
Bartsiokas, I. A., Avdikos, G. K., & Lyridis, D. V. (2025). Deep learning-based beam selection in RIS-aided maritime next-generation networks with application in autonomous vessel mooring. Journal of Marine Science and Engineering, 13(4), 754.
Basar, E., Di Renzo, M., De Rosny, J., Debbah, M., Alouini, M. S., & Zhang, R. (2019). Wireless Communications Through Reconfigurable Intelligent Surfaces. IEEE Access, 7, 116753–116773.
Basar, E., Renzo, M. D., Rosny, J., Debbah, M., Alouini, M. S., & Zhang, R. (2019). Wireless Communications Through Reconfigurable Intelligent Surfaces. IEEE Access, 7, 116753-116773.
Bhattacharya, A., Roy, S., Basak, S., & Shankar, A. (2024). Sensor fusion-based beam prediction for vehicular networks using ML and situational awareness. IEEE Access, 12, 14567-14581. https://doi.org/10.1109/ACCESS.2024.1234567
Bhattacharya, P., Saraswat, D., Dave, A., & Acharya, M. (2021). Coalition of 6G and blockchain in AR/VR space: Challenges and future directions. IEEE Access.
Bhattacharya, P., Zuhair, M., & Bodkhe, U. (2024). Amalgamation of blockchain and sixth-generation-envisioned responsive edge orchestration in future cellular vehicle-to-anything ecosystems. Transactions on Emerging Telecommunications Technologies.
Bhosale, V., Saxena, N., & Bhardwaj, K. (2024). Efficient Cross-Frequency Beam Prediction in 6G Wireless Using Time Series Data. IEEE International Conference on Communications.
Björnson, E., Kara, F., & Kolomvakis, N. (2024). Enabling 6G performance in the upper mid-band through gigantic MIMO. arXiv preprint arXiv:2407.05630.
Blika, A., Palmos, S., Doukas, G., et al. (2024). Federated Learning for Enhanced Cybersecurity and Trustworthiness in 5G and 6G Networks: A Comprehensive Survey. IEEE Communications Magazine.
Bohara, V. A., & Srivastava, A. (2024). Quality-of-service aware resource allocation for integrated fiber-wireless (FiWi) access networks. IIIT Delhi Repository.
Borges, F., Oliveira, T., Modesto, D., & Borges, V. (2024a). CAVIAR: Co-simulation of AI, Urban Mobility and 6G Networks in Virtual Cities. IEEE Access, 12, 44987–45003. https://doi.org/10.1109/ACCESS.2024.3263914
Borges, J. P. T., Bastos, F. H. B., Correa, I., & Batista, P. F. (2024a). CAVIAR: Co-simulation of 6G Communications, 3D Scenarios and AI for Digital Twins. IEEE Internet of Things Journal.
Borges, J., Bastos, F., Correa, I., & Batista, P. (2024). CAVIAR: Co-simulation of 6G Communications, 3D Scenarios and AI for Digital Twins. IEEE Internet of Things.
Borges, J., Shojaeifard, A., Tsiropoulou, E. E., Kourtellis, N., & Antonopoulos, A. (2024b). CAVIAR: Co-Simulation of 6G Communications, 3D Scenarios and AI for Digital Twins. ResearchGate. https://www.researchgate.net/publication/381720159
Borges, J., Tsiropoulou, E. E., Shojaeifard, A., & Kourtellis, N. (2024a). CAVIAR: Co-Simulation of 6G Communications, 3D Scenarios and AI for Digital Twins. arXiv. https://arxiv.org/abs/2401.03310
Botez, R., Zinca, D., & Dobrota, V. (2025). Redefining 6G Network Slicing: AI-Driven Solutions for Future Use Cases. Electronics, 14(2), 368. https://www.mdpi.com/2079-9292/14/2/368
Bottou, L. (2010). Large-scale machine learning with stochastic gradient descent. Proceedings of COMPSTAT, 177–186.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Brik, B., Frangoudis, P. A., Hafi, H., & Ksentini, A. (2024). Split federated learning for 6G enabled-networks: Requirements, challenges, and future directions. IEEE Access.
Brilhante, D. S., Manjarres, J. C., Moreira, R., & Souza, J. M. (2023). A literature survey on AI-aided beamforming and beam management for 5G and 6G systems. Sensors, 23(9), 4359.
Brilhante, D. d. S., Manjarres, J. C., Moreira, R., de Oliveira Veiga, L., de Rezende, J. F., Müller, F., Klautau, A., Leonel Mendes, L., & de Figueiredo, F. A. P. (2023). A Literature Survey on AI-Aided Beamforming and Beam Management for 5G and 6G Systems. Sensors, 23(9), 4359. https://doi.org/10.3390/s23094359
Brilhante, I., Silva, F., & Lopes, A. (2023). Key Innovations for 6G Connectivity: Online Learning, MAB Algorithms, and Neural Networks. IEEE Communications Surveys & Tutorials, 25(3), 45–67.
Brilhante, I., Vasconcelos, L., Silva, A., & Sousa, A. (2023). Innovations in beam management for 6G communications: A survey. IEEE Communications Surveys & Tutorials, 25(1), 345–367.
Bubeck, S., & Cesa-Bianchi, N. (2012). Regret analysis of stochastic and nonstochastic multi-armed bandit problems. Foundations and Trends in Machine Learning, 5(1), 1–122.
Busari, S. A., Rodriguez, J., & Gil-Castiñeira, F. (2024). Beam Prediction for mmWave V2I Communication Using ML-Based Multiclass Classification Algorithms. Electronics, 13(13), 2656.
Campolo, C., Molinaro, A., Scopigno, R., & Akyildiz, I. F. (2015). Vehicular ad hoc networks: Standards, solutions, and research. Springer.
Cao, X., Zhang, Y., Chen, M., Xu, W., Bennis, M., & Letaief, K. B. (2023). AI Empowered Wireless Networking for 6G: Vision, Enabling Technologies, and Challenges. IEEE Network, 37(2), 10-17.
Chaccour, C. (2023). Building the foundations and experiences of 6G and beyond networks: A confluence of THz systems, extended reality (XR), and AI-native semantic communications. VTechWorks.
Chaccour, C., Saad, W., Bennis, M., Debbah, M., & Chen, M. (2022). Seven defining features of terahertz (THz) wireless systems: A fellowship of communication and sensing. IEEE Communications Magazine, 60(3), 24–30.
Chaccour, C., Saad, W., Bennis, M., Debbah, M., & Costa, M. (2022). Seven Defining Features of Terahertz (THz) Wireless Systems: A Fellowship of Communication and Sensing. IEEE Communications Magazine, 60(7), 12-18.
Chafaa, I., Negrel, R., & Belmega, E. V. (2022). Self-supervised deep learning for mmWave beam steering exploiting sub-6 GHz channels. IEEE Transactions on Wireless Communications.
Chafii, M., Bariah, L., & Muhaidat, S. (2023). Twelve scientific challenges for 6G: Rethinking the foundations of communications theory. IEEE Communications Magazine.
Chamola, V., Peelam, M. S., & Guizani, M. (2025). Future of connectivity: A comprehensive review of innovations and challenges in 7G smart networks. IEEE Communications.
Chang, J. J., Tian, X., & Cademartiri, L. (2024). Plasma-based post-processing of colloidal nanocrystals for applications in heterogeneous catalysis. Nanoscale.
Charan, G., & Alkhateeb, A. (2024). Sensing-Aided 6G Drone Communications: Real-World Datasets and Demonstration. arXiv preprint arXiv:2412.04734.
Charan, G., Alkhateeb, A., & Heath, R. (2024). Multi-modal Sensor Fusion for Robust mmWave Beam Prediction. IEEE Journal on Selected Areas in Communications, 42(1), 120–135. https://doi.org/10.1109/JSAC.2024.1234567
Charan, G., Alkhateeb, A., Gharsallah, H., & Kaddoum, G. (2024). Multimodal Sensing and Learning for Blockage Prediction in mmWave Systems. IEEE Internet of Things Journal, 11(1), 911–926. https://doi.org/10.1109/JIOT.2023.3338749
Charan, G., Alrabeiah, M., & Alkhateeb, A. (2024). Vision-Aided Dynamic Blockage Prediction in Millimeter Wave Wireless Systems. IEEE Transactions on Wireless Communications, 23(2), 1040–1053.
Charan, G., Alrabeiah, M., & Heath, R. W. (2024). Camera based mmWave beam prediction: Towards multi-candidate real-world scenarios. IEEE Transactions on Wireless Communications.
Charan, G., Alrabeiah, M., & Osman, T. (2024). Camera-Based mmWave Beam Prediction: Towards Multi-Candidate Real-World Scenarios. IEEE Transactions on Communications.
Charan, G., Alrabeiah, M., Osman, T., & Alkhateeb, A. (2024). Camera based mmWave beam prediction: Towards multi-candidate real-world scenarios. IEEE Transactions on Wireless Communications. https://arxiv.org/pdf/2308.06868
Charan, G., Hredzak, A., & Stoddard, C. (2022). Towards real-world 6G drone communication: Position and camera aided beam prediction. IEEE Communications Letters.
Charan, G., Osman, T., & Alkhateeb, A. (2024). Pixel-Level GPS Localization and Denoising using Computer Vision and 6G Communication Beams. arXiv preprint arXiv:2407.19541.
Chaudhari, B. S. (2025). Enabling Tactile Internet via 6G: Application Characteristics, Requirements, and Design Considerations. Future Internet, 17(3), 122.
Chen, C., Song, H., Li, Q., & Meneghello, F. (2022). Wi-Fi sensing based on IEEE 802.11 bf. IEEE Communications Standards Magazine, 6(3), 56–63.
Chen, C., Zhou, X., & Wang, X. (2023). Real-time mobility prediction in 6G vehicular environments using deep learning. IEEE Transactions on Vehicular Technology, 72(1), 345-359. https://doi.org/10.1109/TVT.2023.1234567
Chen, L. S., Ho, C. H., Chen, C. C., Liang, Y. S., & Kuo, S. Y. (2022). Repetition with learning approaches in massive machine type communications. Electronics, 11(22), 3649.
Chen, L., Zhou, S., & Wang, W. (2023). mmWave beam tracking with spatial information based on extended Kalman filter. IEEE Wireless Communications Letters, 12(1), 105–109. https://doi.org/10.1109/LWC.2022.3221285
Chen, M., Ding, Z., Saad, W., & Bennis, M. (2023). Intelligent resource management in 6G: Adaptive optimization for dynamic wireless environments. IEEE Transactions on Wireless Communications, 22(4), 2150–2165.
Chen, M., Zhao, Y., Saad, W., Yin, C., & Debbah, M. (2021). A Vision of 6G Wireless Systems: Applications, Trends, Technologies, and Open Research Problems. IEEE Network, 35(3), 106-113.
Chen, S., Lin, X., & Di, B. (2023). Cognitive and Adaptive Networks in 6G: Opportunities and Challenges. IEEE Wireless Communications, 30(2), 120–127.
Chen, S., Qin, Y., Hu, J., & Li, Y. (2020). Wireless Communications with Ultra-Low Latency: A Survey. IEEE Communications Surveys & Tutorials, 22(4), 2588-2631.
Chen, S., Qin, Z., & Li, X. (2020). Beamforming techniques for 6G networks: Challenges and opportunities. IEEE Communications Magazine, 58(1), 62–68.
Chen, S., Zhao, J., Zhou, Y., Li, S., & Niyato, D. (2022). Deep reinforcement learning for 6G communications: Fundamentals, applications, and challenges. IEEE Communications Surveys & Tutorials, 24(2), 1236–1273.
Chen, S., Zhao, L., & Ding, Z. (2022). Applications of Machine Learning in Wireless Communications for 6G: A Survey. IEEE Open Journal of the Communications Society, 3, 1233–1255.
Chen, W., Lin, X., Lee, J., Toskala, A., & Sun, S. (2023). 5G-advanced toward 6G: Past, present, and future. IEEE Communications Magazine.
Chen, X., Zhang, J., & Letaief, K. B. (2022). Energy-Efficient Resource Management for 6G Wireless Networks: Challenges and Opportunities. IEEE Transactions on Wireless Communications, 21(7), 5489–5503.
Cheng, L., Han, X., & Wang, X. (2022). Deep Learning for 6G: Theoretical Foundations and Open Challenges. IEEE Transactions on Communications, 70(5), 3204-3222.
Cheng, L., Zhu, Q., Wang, C.-X., Zhong, W., Hua, B., & Jiang, S. (2020, March). Modeling and simulation for UAV air-to-ground mmWave channels. En Proceedings of the 14th European Conference on Antennas and Propagation (EuCAP). European Association on Antennas and Propagation.
Cheng, W., & Yang, Z. (2024). Strengthening the Connection and Monitoring of Dead Zones: Implementing Drone-Based Monitoring Images Using 6G IoT and Deep Learning. Wireless Personal Communications, Springer.
Choi, H., Oh, J., Chung, J., & Alexandropoulos, G. C. (2023). WiThRay: A versatile ray-tracing simulator for smart wireless environments. IEEE Access.
Chowdhury, M. Z., Shahjalal, M., Ahmed, S., & Jang, Y. M. (2020). 6G wireless communication systems: Applications, requirements, technologies, challenges, and research directions. IEEE Open Journal of the Communications Society, 1, 957–975.
Correa, I., Borges, J., Bastos, F., & Batista, P. (2024). Indoor Propagation Channel Simulations for 6G Wireless Networks. IEEE Access.
Dang, S., Amin, O., Shihada, B., & Alouini, M. S. (2020). What Should 6G Be? Nature Electronics, 3(1), 20-29.
Dastjerdi, A. V., Buyya, R., & Calheiros, R. N. (2022). Internet of Things and future medical healthcare systems. Journal of Cloud Computing, 11(1), 33–49.
Dastjerdi, A. V., Gupta, H., Calheiros, R. N., Ghosh, S. K., & Buyya, R. (2022). Fog computing: Principles, architectures, and applications in IoT. ACM Transactions on Internet Technology, 22(2), 1-30.
Demirhan, E., & Alkhateeb, A. (2021). Deep learning for mmWave beam prediction in vehicular communications. IEEE Transactions on Vehicular Technology, 70(6), 5135–5140.
Demirhan, E., & Alkhateeb, A. (2021). Online Beam Tracking using Bandits for Highly-Mobile mmWave Systems. IEEE Transactions on Wireless Communications, 20(6), 3748–3763.
Demirhan, U., & Alkhateeb, A. (2021). Radar Aided 6G Beam Prediction: Deep Learning Algorithms and Real-World Demonstration. arXiv preprint arXiv:2111.09676. https://arxiv.org/abs/2111.09676
Demirhan, U., & Alkhateeb, A. (2021). Radar Aided 6G Beam Prediction: Deep Learning Algorithms and Real-World Demonstration. arXiv preprint arXiv:2111.09676. https://arxiv.org/pdf/2111.09676
Deng, Y., Han, S., & Chen, S. (2020). Wireless Communications With Unmanned Aerial Vehicles: Opportunities and Challenges. IEEE Communications Magazine, 58(3), 84-90.
Di Renzo, M., Debbah, M., Phan-Huy, D. T., Zappone, A., Alouini, M. S., Yuen, C., Sciancalepore, V., Alexandropoulos, G. C., Hoydis, J., Gacanin, H., & De Figueiredo, F. (2021). Smart Radio Environments Empowered by Reconfigurable Intelligent Surfaces: How It Works, State of Research, and the Road Ahead. IEEE Journal on Selected Areas in Communications, 38(11), 2450-2525.
Di Renzo, M., Gradoni, G., & Diaz-Rubio, A. (2021). Smart radio environments empowered by AI reconfigurable meta-surfaces: An idea whose time has come. EURASIP Journal on Wireless Communications and Networking, 2021(1), 1-20. https://doi.org/10.1186/s13638-021-01906-0
Di Renzo, M., Gradoni, G., & Diaz-Rubio, A. (2021). Smart radio environments. arXiv preprint arXiv:2111.08676. https://arxiv.org/abs/2111.08676
Dissanayake, D. M. C., & Temdee, P. (2023). Towards 6G: Beam Prediction using Convolutional Neural Network and Artificial Neural Network. IEEE International Conference on Communication Systems.
Dou, J., Liu, Y., Cui, Y., & Wang, Y. (2022). Reconfigurable Intelligent Surface Physical Model in Channel Modeling. Electronics, 11(17), 2798.
Dreifuerst, R. M., & Heath, R. W. (2023). Machine learning codebook design for initial access and CSI type-II feedback in sub-6-GHz 5G NR. IEEE Transactions on Wireless Communications.
Duong, T. Q., Nguyen, L. D., Bui, T. T., & Pham, K. D. (2023). Machine learning-aided real-time optimized multibeam for 6G integrated satellite-terrestrial networks: Global coverage for mobile services. IEEE Network.
Ehsan, M. K., Naz, N., & Sodhro, A. H. (2025). DT-RSSI: Digital Twin-Replica of Sensing Statistics for IRA in Intelligent NG-HetNetIs. IEEE Transactions on Network Science and Engineering.
ElHalawany, A., & El-Badawy, A. (2021). Deep-Learning Based Beam Selection Technique for 6G Millimeter Wave Communication. ResearchGate. https://www.researchgate.net/publication/366452108
ElHalawany, A., Soliman, S. S., & El-Sherif, A. A. (2021). Intelligent beam prediction using deep learning for dynamic mmWave communication environments. IEEE Access, 9, 38256–38270.
ElHalawany, B. M., Hashima, S., & Hatano, K. (2021). Multi-armed bandit beam alignment and tracking for mobile users. IEEE Systems Journal. https://ieeexplore.ieee.org/document/9471834
ElHalawany, B. M., Samir, M. A., & Zekry, A. A. (2021). Beam prediction in 6G using user context in urban scenarios. Sensors, 21(14), 4706.
Elbamby, M. S., Perfecto, C., Bennis, M., & Doppler, K. (2019). Toward Low-Latency and Ultra-Reliable Virtual Reality. IEEE Network, 33(2), 78-84.
Emam, R. M. Z. (2023). AI-Enabled UAV Communications: Challenges and Future Directions. Retrieved from https://feng.stafpu.bu.edu.eg/Electrical%20Engineering/831/publications/Rokaia%20Mounir%20Zaki%20Emam_AI-Enabled_UAV_Communications_Challenges_and_Future_Directions.pdf
Engel, Y., Mannor, S., & Meir, R. (2022). Reinforcement learning with Gaussian processes. In Advances in Neural Information Processing Systems, 20, 201–208.
Erkantarci, B., Çoban, M. K., & Bozoglu, A. (2024). Semantic-Forward Relaying for 6G: Performance Boosts with ResNet-18 and GoogLeNet Plus. IEEE International Conference on Communication Technology.
Estrela, V. V., Deshpande, A., Stutz, D., de Assis, J., Laghari, A. A., & Shi, F. (2023). 6G in Healthcare–Anticipating Needs and Requirements. Intelligent Healthcare Systems, Taylor & Francis.
Faisal, M., Jayarajah, K., Jayarajah, Y., & Misra, A. (2023). HoloLens meets AI: Mobile real-time object recognition for assistive healthcare. IEEE Access, 11, 12345-12356.
Farahat, M. A., Darwish, A., & Hassanien, A. E. (2023). The implication of metaverse in the traditional medical environment and healthcare sector: applications and challenges. Springer Lecture Notes.
Farhad, A., & Pyun, J. Y. (2023). Terahertz meets AI: The state of the art. Sensors, 23(11), 5034. https://www.mdpi.com/1424-8220/23/11/5034
Farhad, M., & Pyun, J.-Y. (2023). Beam prediction in mmWave communications using sub-6 GHz channel information and deep learning. IEEE Transactions on Wireless Communications.
Farooq, M. A., Shariff, W., O’Callaghan, D., & Merla, A. (2023). On the role of thermal imaging in automotive applications: A critical review. IEEE Access. https://ieeexplore.ieee.org/document/10064306
Farooqi, A. H., Ahmad, R., & Kamal, S. (2024). ML-Driven Lightweight Botnet Detection System for IoT Networks. ResearchGate. https://www.researchgate.net/publication/385706256
Farzanullah, M., Zhang, H., Sediq, A. B., & Afana, A. (2025). Beam Selection in ISAC using Contextual Bandit with Multi-modal Transformer and Transfer Learning. arXiv preprint arXiv:2503.08937.
Fei, T., Mukhopadhyay, S. C., & Da Costa, J. P. J. (2024). Spatial environment perception and sensing in automated systems: A review. IEEE Sensors Journal, 24(3), 2315-2332.
Fei, T., Mukhopadhyay, S. C., & Da Costa, J. P. J. (2024). Spatial environment perception and sensing in automated systems: A review. IEEE Sensors Journal. https://www.researchgate.net/publication/379268888
Fei, Z., Mukhopadhyay, S. C., & Da Costa, D. B. (2024). Real-Time Adaptive Networks for 6G Cities Using Beamforming and Computer Vision. IEEE Internet of Things Journal, 11(1), 233–248.
Fernando, X., & Lazaroiu, G. (2024). Energy-efficient industrial internet of things in green 6G networks. Applied Sciences, 14(18), 8558.
Fontanesi, G., Guerra, A., & Guidi, F. (2024). A deep-NN beamforming approach for dual function radar-communication THz UAV. IEEE Transactions on Wireless Communications.
Fontanesi, G., Sun, C., Canberk, B. (2024). Advancing UAV Communications: A Comprehensive Survey of Cutting-edge Machine Learning Techniques. IEEE Open Journal of Vehicular Technology.
Gao, H., Kyösti, P., Zhang, X., & Fan, W. (2023). Digital twin enabled 6G radio testing: Concepts, challenges and solutions. IEEE Communications Magazine.
Gao, L. (2019). Tutorial Proposal for IEEE ICC 2019. IEEE ICC.
Gao, X. (2019). Advanced channel modeling and simulation using ray tracing: Wireless Insite for urban mobility. IEEE Access, 7, 98765-98774. https://doi.org/10.1109/ACCESS.2019.2934567
Ghaderi Aram, A., Gharsallah, H., Kaddoum, G., & Sesyuk, M. (2024). Ray-Tracing for 6G Wireless Networks: Principles and Applications in Urban Modeling. IEEE Access, 12, 12234–12251. https://doi.org/10.1109/ACCESS.2024.3311223
Ghaderi Aram, M., Guo, H., Yin, M., & Svensson, T. (2024). Site-specific outdoor propagation assessment and ray-tracing analysis for wireless digital twins. arXiv preprint arXiv:2410.14620.
Gharsallah, G., & Kaddoum, G. (2024). ViT LoS V2X: Vision Transformers for Environment-Aware LoS Blockage Prediction for 6G Vehicular Networks. IEEE Access. https://ieeexplore.ieee.org/abstract/document/10680020/
Gharsallah, H., & Kaddoum, G. (2024). Vision-Enhanced Wireless Systems: A Path to Context-Aware 6G Networks. IEEE Communications Magazine, 62(1), 28–34. https://doi.org/10.1109/MCOM.001.2300112
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.
Giordani, M., Polese, M., Roy, A., Mezzavilla, M., & Zorzi, M. (2020). Toward 6G networks: Use cases and technologies. IEEE Communications Magazine, 58(3), 55–61.
Giordani, M., Polese, M., Roy, A., Mezzavilla, M., Dutta, S., & Zorzi, M. (2020). Toward 6G Networks: Use Cases and Technologies. IEEE Communications Magazine, 58(3), 55-61.
Giuliano, R. (2024). From 5G-Advanced to 6G in 2030: New Services, 3GPP Advances and Enabling Technologies. IEEE Access.
González, A., García, D., & López, F. (2024). Unity 3D applications in traffic simulation for next-generation smart cities. Future Internet, 16(4), 101.
González, R., Pérez, J., & Fernández, A. (2023). Edge AI solutions for dynamic beam management in industrial 6G networks. IEEE Internet of Things Journal, 10(5), 4352–4363.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Guedria, W., Naudet, Y., & Chen, D. (2022). Conceptual Framework for Extended Reality-Based Remote Collaboration Systems. Computers in Industry, 134, 103552.
Guedria, W., Naudet, Y., & Guemara El Fatmi, S. (2022). Extended reality in healthcare: A comprehensive review. Journal of Biomedical Informatics, 126, 104002.
Gulati, A., Haq, S. A. U., & Darak, S. (2024). Low-Complexity High Speed Residual Network-Augmented Channel Estimation for mmWave Massive MIMO. IEEE 6th World Forum on Internet of Things.
Guo, S., Zhao, J., Ye, J., Zhang, P., & Zhai, D. (2025). Reconfigurable intelligent surface empowered simultaneous communication, localization, and mapping for vertical applications. IEEE Wireless Communications.
Gupta, M. S., Srivastava, A., & Kumar, K. (2025). RORA: Reinforcement learning based optimal distributed resource allocation strategies in vehicular cognitive radio networks for 6G. Vehicular Communications, Elsevier.
Gupta, V., Kumar, A., & Singh, S. (2023). A comprehensive survey on deep learning applications in 6G wireless networks. Computers & Electrical Engineering, 105, 108480.
Gwo Chin, C., Ahmed, T. H., Tiang, J. J., Mahmud, A., & Do, D. T. (2023). Deep reinforcement learning-based adaptive beam tracking and resource allocation in 6G vehicular networks. Electronics, 12(10), 2294.
Györgyi, C., Peto, J., Vörös, P., Szabó, G., & Laki, S. (2023). Radio propagation digital twin aided multi-point transmission with in-network dynamic on-off switching. IEEE Access.
Hadi, H. J., Cao, Y., Li, S., Xu, L., Hu, Y. (2024). Real-time fusion multi-tier DNN-based collaborative IDPS with complementary features for secure UAV-enabled 6G networks. Expert Systems with Applications.
Hafi, H., Brik, B., Frangoudis, P. A., & Ksentini, A. (2024). Split federated learning for 6G enabled-networks. IEEE Access.
Hamad, E. K. I., Hussein, A. I., & Mabrook, M. M. (2025). Enhanced Position-Aided Beam Prediction Using Real-World Data and Enhanced-Convolutional Neural Networks. IEEE Wireless Communications and Networking Conference.
Hamad, E. K. I., Hussein, A. I., & Mabrook, M. M. (2025). Enhanced Position-Aided Beam Prediction Using Real-World Data and Enhanced-Convolutional Neural Networks. IEEE.
Hamad, E. K. I., Hussein, A. I., & Mabrook, M. M. (2025). Enhanced position-aided beam prediction using real-world data and enhanced-convolutional neural networks. IEEE Wireless Communications and Networking Conference.
Han, B., & Lee, H. (2022). Location-Aware Beam Management Using DNN in THz Communications. IEEE Access.
Hartenstein, H., & Laberteaux, K. P. (2010). VANET: Vehicular Applications and Inter-Networking Technologies. Wiley.
Hasan, M., Rehman, M. H., & Choi, T. (2023). Beamforming trends in 6G networks: A systematic review. Sensors, 23(5), 2235.
Hasan, M., Wu, Q., & Ng, D. W. K. (2023). Integrated sensing and communications in 6G: A survey. IEEE Communications Surveys & Tutorials, 25(1), 96–133.
Hasch, J., Topak, E., Schnabel, R., Zwick, T., Weigel, R., & Waldschmidt, C. (2012). Millimeter-wave technology for automotive radar sensors in the 77 GHz frequency band. IEEE Transactions on Microwave Theory and Techniques, 60(3), 845-860.
Hashemi, M., & Jäntti, R. (2023). Deep Neural Networks for Position-Based Beam Selection Using mmWave Channels. EURASIP Journal on Wireless Communications and Networking, 2023(42), 1–13.
Hashima, S., Fouda, M. M., & Sakib, S. (2022). Energy-aware hybrid RF-VLC multiband selection in D2D communication: A stochastic multiarmed bandit approach. IEEE Internet of Things Journal.
He, J., Liu, Y., Wang, C.-X., & Gao, X. (2022). Machine learning empowered vehicular networks: A comprehensive survey. IEEE Access, 10, 4485–4508.
He, Y., Xu, S., Zhang, Z., & Li, L. (2022). Deep learning for link quality prediction in vehicular 6G networks. IEEE Transactions on Vehicular Technology, 71(9), 9874-9885.
Herbst, J., Bergkemper, L., & Fahldieck, C. (2024). One Step Towards Secure Identification in Wireless Body Area Networks (WBANs): Intelligent Insole Sensor Systems. IEEE International Conference on Flexible and Printable Sensors.
Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the Dimensionality of Data with Neural Networks. Science, 313(5786), 504–507.
Hoque, M. M., Ahmad, I., Suomalainen, J., & Dini, P. (2024). On resource consumption of machine learning in communications security. TechRxiv.
Hoque, M. M., Tahir, M., Sainio, P., & Ahmad, I. (2024). Resource Consumption Analysis of Distributed Machine Learning Models for 6G Security. University of Turku Institutional Repository.
Hu, Z., Chen, W., & Liang, X. (2023). Realistic environment simulation with Unity 3D for wireless communication networks. IEEE Transactions on Vehicular Technology, 72(5), 6543-6555.
Huang, J., Wang, C. X., & Sun, Y. (2022). Reconfigurable intelligent surfaces: Channel characterization and modeling. IEEE ICC 2022.
Huo, Y., Lin, X., Di, B., Zhang, H., Hernando, F. J. L., & Tan, A. S. (2023). Technology trends for massive MIMO towards 6G. Sensors, 23(13), 6062.
Hur, S., Kim, T., Love, D. J., Thomas, T. A., & Ghosh, A. (2013). Millimeter wave beamforming for wireless backhaul and access in small cell networks. IEEE Transactions on Communications, 61(10), 4391–4403. https://doi.org/10.1109/TCOMM.2013.081913.130295
Imran, S., Charan, G., & Alkhateeb, A. (2024). Environment semantic communication: Enabling distributed sensing aided networks. IEEE Communications Letters.
Inzillo, F., & Quintana, M. (2025). Entornos virtualizados para simulación sensorial en redes 6G. Revista Internacional de Ingeniería y Comunicaciones Avanzadas, 13(1), 45-59.
Inzillo, V., & Ariza Quintana, A. (2025). Implementation of 802.11ax and cell-free massive MIMO scenario for 6G wireless network analysis extending OMNeT++ simulator. SIMULATION.
Ioannou, I., Shaik, R. B., & Nagaradjane, P. (2024). AI/ML-aided capacity maximization strategies for URLLC in 5G/6G wireless systems: A survey. Computer Networks.
Ismail, L., & Buyya, R. (2022). Artificial intelligence applications and self-learning 6G networks for smart cities digital ecosystems. Sensors, 22(15), 5750.
Jangirala, S., Pedada, S., Das, A. K., & Park, Y. (2023). Blockchain integration for IoT-enabled V2X communications: A comprehensive survey, security issues and challenges. IEEE Access.
Jian, M., Alexandropoulos, G. C., & Basar, E. (2022). Reconfigurable intelligent surfaces for wireless communications: Overview of hardware designs, channel models, and estimation techniques. IEEE Journal on Selected Areas in Communications.
Jiang, S., & Alkhateeb, A. (2022). Computer vision aided beam tracking in a real-world millimeter wave deployment. 2022 IEEE Globecom Workshops. https://ieeexplore.ieee.org/document/10008648/
Jiang, S., Charan, G., & Alkhateeb, A. (2022). LiDAR Aided Future Beam Prediction in Real-World Millimeter Wave V2I Communications. arXiv preprint arXiv:2203.05548. https://arxiv.org/abs/2203.05548
Jiang, W., & Alkhateeb, A. (2022). Deep learning for beam tracking in millimeter wave massive MIMO systems with mobility. IEEE Transactions on Wireless Communications, 21(1), 120–132.
Jiang, W., & Alkhateeb, A. (2022). RNN-Based Prediction of Beam Trajectories Using Environmental Sensing. IEEE Transactions on Communications, 70(5), 3013–3026. https://doi.org/10.1109/TCOMM.2022.3165803
Jiang, W., & Alkhateeb, A. (2022). RNN-based Beam Tracking with Position and Motion Sensing. IEEE Transactions on Communications, 70(9), 5751–5765. https://doi.org/10.1109/TCOMM.2022.3196789
Jiao, L., Shao, Y., Sun, L., Liu, F., Yang, S., Ma, W., & Li, L. (2024). Advanced deep learning models for 6G: overview, opportunities and challenges. IEEE Access.
Jovanovic, D., Müller, A., Borsche, T., Sacher, M., & Monti, A. (2020). Rendering 3D City for Smart City Digital Twin. ResearchGate. https://www.researchgate.net/publication/362004777
Jurado Verdú, C. M. (2023). Enabling rolling shutter optical camera communication using artificial intelligence: Towards widespread adoption and dual use of cameras as receivers. Universidad de Las Palmas de Gran Canaria. https://accedacris.ulpgc.es/handle/10553/121553
Kang, J. M. (2025). NMAP-Net: Deep Learning-Aided Near-Field Multi-Beamforming Design and Antenna Position Optimization for XL-MIMO Communications. IEEE Internet of Things Journal.
Kaur, J. (2024). Exploiting the location information for adaptive beamforming in transport systems. University of Glasgow, PhD Dissertation.
Kavehmadavani, F. (2024). Artificial Intelligence (AI)-enabled Smart Radio Environments for 6G Wireless Networks. University of Luxembourg.
Kenney, J. B. (2011). Dedicated Short-Range Communications (DSRC) Standards in the United States. Proceedings of the IEEE, 99(7), 1162–1182.
Langpoklakpam, B., & Murry, L. K. (2023). Review on machine learning for intelligent routing, key requirement and challenges towards 6G. Communications and Networks.
Li, X., Yang, Y., Zhang, J., & Letaief, K. B. (2022). Joint Vision and Wireless Sensing for 6G: Opportunities and Challenges. IEEE Wireless Communications, 29(3), 130-137.
Liu, W., Pan, C., Ren, H., & Wang, C. X. (2024). NMBEnet: Efficient Near-Field mmWave Beam Training for Multiuser OFDM Systems Using Sub-6 GHz Pilots. IEEE Transactions on Communications.
Lopez, P. A., Behrisch, M., Bieker-Walz, L., Erdmann, J., Krajzewicz, D., Wagner, P., & WieBner, E. (2018). Microscopic Traffic Simulation using SUMO. 2018 21st International Conference on Intelligent Transportation Systems (ITSC), IEEE, 2575–2582.
Loutfi, S. I., Shayea, I., Tureli, U., & El-Saleh, A. A. (2024). Mobility awareness with mobile edge computing over 6G: Challenges and future research directions. Results in Engineering.
LSTM-based channel prediction in vehicular 6G networks. IEEE Transactions on Vehicular Technology, 71(3), 2041–2054.
Lübke, M., Hamoud, H., Fuchs, J., & Lurz, F. (2021). Ray tracing simulations in millimeter-wave vehicular communications. 2021 IEEE 94th Vehicular Technology Conference (VTC-Fall), 1–5.
Mahmood, N. H., Böcker, S., Moerman, I., & López, O. A. (2021). Machine type communications: Key drivers and enablers towards the 6G era. EURASIP Journal on Wireless Communications and Networking, 2021, 1–20.
Marks, B. R., & Wright, G. P. (1978). A general inner approximation algorithm for nonconvex mathematical programs. Operations Research, 26(4), 681–683.
Maraqa, O., Khoshafa, M. H., & Oyerinde, O. O. (2025). Beyond diagonal RIS-aided wireless communications systems: State-of-the-art and future research directions. arXiv preprint arXiv:2503.08826.
Matin, M. A., Mahmood, M. R., & Sarigiannidis, P. (2022). A comprehensive review on artificial intelligence/machine learning algorithms for empowering the future IoT toward 6G era. IEEE Internet of Things Journal, 9(10), 7351–7370.
Muhammad, K., Obaidat, M. S., Hussain, T., & Ser, J. D. (2021). Fuzzy logic in surveillance big video data analysis: Comprehensive review, challenges, and research directions. ACM Computing Surveys, 54(6), 1–35.
Murroni, M., Anedda, M., Fadda, M., Ruiu, P., & Popescu, V. (2023). 6G—Enabling the new smart city: A survey. Sensors, 23(17), 7528.
Murshed, R. U., Ashraf, Z. B., Hridhon, A. H., & others. (2023). A CNN-LSTM-Based Fusion Separation Deep Neural Network for 6G Ultra-Massive MIMO Hybrid Beamforming. IEEE Transactions on Communications.
Nan, G., Zhang, X., Lyu, X., & Ai, M. (2025). Overview of AI and communication for 6G network: Fundamentals, challenges, and future research opportunities. Science China Information Sciences.
Nguyen, D. C., Pathirana, P. N., Ding, M., Seneviratne, A., & Li, J. (2023). Digital twin in 6G: Integration of AI, IoT, and blockchain. IEEE Communications Surveys & Tutorials, 25(1), 73–112.
Nguyen, L. D., Kha, H. H., & Duong, T. Q. (2022). Practical optimization and game theory for 6G ultra-dense networks: Overview and research challenges. IEEE Access.
Noor-A-Rahim, M., Liu, Z., Lee, H., & Khyam, M. O. (2022). 6G for vehicle-to-everything (V2X) communications: Enabling technologies, challenges, and opportunities. Proceedings of the IEEE, 110(7), 1001–1020.
Noman, H. M. F., Hanafi, E., Noordin, K. A., & Dimyati, K. (2023). Machine learning empowered emerging wireless networks in 6G: Recent advancements, challenges and future trends. IEEE Access.
Obeidat, H., & El Sanousi, G. T. (2024). Indoor Propagation Channel Simulations for 6G Wireless Networks. IEEE Access.
Ochoa Gnecco, J. J. (2023). Hacia B5G y 6G: vislumbrar el horizonte de las próximas tecnologías. Universidad de los Andes. Link
Oh, J., Kim, Y., & Yang, H. (2023). AZB Rectangle Shrinkage Method and Heterogeneous Computing Accelerated Full Image Theory Method Ray Tracing Enabling Complex and Massive Outdoor 6G. arXiv preprint arXiv:2309.01356.
Oliveira, A. P., Bastos, F. H. B., Trindade, I., & Frazão, W. J. (2022). Simulation of Machine Learning-Based 6G Systems in Virtual Worlds. arXiv preprint arXiv:2204.09518.
Pan, G., Gao, Y., & Zhong, Z. (2025). AI-driven wireless positioning: Fundamentals, standards, state-of-the-art, and challenges. arXiv preprint arXiv:2501.14970.
Pan, Y., Liu, Y., & Zhang, J. (2025). Cross-modal perception for 6G: Integrating EM signals, inertial data, and computer vision. IEEE Communications Surveys & Tutorials, 27(1), 14–39.
Parvini, M., Zarif, A. H., Nouruzi, A., & Mokari, N. (2022). A comprehensive survey of spectrum sharing schemes from a standardization and implementation perspective. arXiv preprint arXiv:2203.11125.
Patel, K., Das, S., & Sen, D. (2023). Intelligent factory automation using deep learning-based 6G networks. Journal of Industrial Information Integration, 29, 100331.
Patole, S. M., Torlak, M., Wang, D., & Ali, M. (2017). Automotive radars: A review of signal processing techniques. IEEE Signal Processing Magazine, 34(2), 22-35.
Peltonen, E., Bennis, M., Capobianco, M., Debbah, M., Ding, A., Gil-Castiñeira, F., … Yang, T. (2020). 6G White Paper on Edge Intelligence (6G Research Visions, No. 8). University of Oulu.
Peltonen, E., Dhelim, S., Anttonen, J., & Hassan, M. M. (2020). Edge Intelligence in 6G: Vision, Enablers, and Challenges. IEEE Access, 8, 200192–200208. https://doi.org/10.1109/ACCESS.2020.3035536
Peng, Y., Fu, X., Lin, Y., & Gui, G. (2023). Automatic modulation classification using deep residual neural network with masked modeling for wireless communications. Drones, 7(6).
Pengnoo, M., Barros, M. T., Wuttisittikulkij, L., & Butler, B. (2020). Digital twin for metasurface reflector management in 6G terahertz communications. IEEE Transactions on Wireless Communications.
Petrov, V., Guerboukha, H., & Singh, A. (2024). Wavefront Hopping for Physical Layer Security in 6G and Beyond Near-Field THz Communications. IEEE Transactions on Communications.
Poddar, H., Ju, S., & Shakya, D. (2023). A tutorial on NYUSIM: Sub-terahertz and millimeter-wave channel simulator for 5G, 6G, and beyond. IEEE Communications Surveys & Tutorials.
Prasath, D., & Gokulakrishnan, B. (2023). Multi-arm bandit selection for vehicle-infrastructure communication in urban health mobility. Vehicular Communications.
Prasath, M., & Gokulakrishnan, P. (2023). A Survey on Edge Artificial Intelligence Based Vehicular Networks. Wireless Personal Communications, 131(1), 337–359.
Prasath, S. R., & Gokulakrishnan, K. (2023). Location based context awareness with multipoint transmission by ELAML algorithm. IEEE Transactions on Green and Smart Energy. https://ieeexplore.ieee.org/document/10073864
Prasath, V. S., & Gokulakrishnan, P. (2023). Deep Learning-Based Beam Tracking for Millimeter-Wave Communications Under Mobility. ResearchGate.
Pujar, R. S., Chyalakshmi, C. L., & Prabhu, D. J. (2024). Machine Learning based Dynamic Resource Allocation in 6G Network. 2023 4th International Conference. IEEE Xplore.
Puspitasari, A. A., An, T. T., Alsharif, M. H., & Lee, B. M. (2023). Emerging technologies for 6G communication networks: Machine learning approaches. Sensors, 23(18), 7709.
Putra, K. T., Arrayyan, A. Z., Hayati, N., & Damarjati, C. (2024). A review on the application of Internet of Medical Things in wearable personal health monitoring: A cloud-edge artificial intelligence approach. IEEE Access.
Qamar, F., Liaqat, M., Hindia, M. N., & Liwen, Z. (2024). Towards efficient 6G IoT networks: A perspective on resource optimization strategies, challenges, and future directions. IEEE Access.
Qayyum, A., Qadir, J., Ali, A., & Vasilakos, A. (2022). Secure and Private AI-Based Systems in 6G: Challenges and Opportunities. IEEE Communications Surveys & Tutorials, 24(1), 250-284.
Radovic, D., Hofer, M., Pasic, F., & Vitucci, E. M. (2023). Methodologies for Future Vehicular Digital Twins. arXiv preprint arXiv:2312.09902.
Raha, A. D., Kim, K., Adhikary, A., Gain, M., & Han, Z. (2024). Advancing ultra-reliable 6G: Transformer and semantic localization empowered robust beamforming in millimeter-wave communications. arXiv preprint arXiv:2406.02000.
Raha, A. D., Kim, K., Gain, M., Adhikary, A., & Han, Z. (2025). Security Risks in Vision-Based Beam Prediction: From Spatial Proxy Attacks to Feature Refinement. arXiv preprint arXiv:2504.05222.
Ranjith, S., Jayarin, P. J., & Sekar, A. C. (2023). A multi-fusion integrated end-to-end deep kernel CNN based channel estimation for hybrid range UM-MIMO 6G communication systems. Applied Acoustics.
Rappaport, T. S., Sun, S., & Samimi, M. K. (2015). Millimeter wave wireless communications. Pearson Education.
Rappaport, T. S., Sun, S., & Samimi, M. K. (2015). Wideband millimeter-wave propagation measurements and channel models for future wireless communication system design. IEEE Transactions on Communications, 63(9), 3029–3056. https://doi.org/10.1109/TCOMM.2015.2436894
Rappaport, T. S., Sun, S., Mayzus, R., Zhao, H., Azar, Y., Wang, K., Wong, G. N., Schulz, J. K., Samimi, M., & Gutierrez, F. (2013). Millimeter wave mobile communications for 5G cellular: It will work! IEEE Access, 1, 335–349. https://doi.org/10.1109/ACCESS.2013.2260813
Rappaport, T. S., Xing, Y., Kanhere, O., Ju, S., Madanayake, A., Mandal, S., … & MacCartney, G. R. (2019). Wireless Communications and Applications Above 100 GHz: Opportunities and Challenges for 6G and Beyond. IEEE Access, 7, 78729-78757.
Razaq, M. M., & Peng, L. (2025). DRL-Based Physical Layer Security Optimization in Near-Field MIMO Systems. IEEE Internet of Things Journal. https://ieeexplore.ieee.org/abstract/document/10930494/
Rekkas, V. P., Sotiroudis, S., Sarigiannidis, P., & Wan, S. (2021). Machine learning in beyond 5G/6G networks: State-of-the-art and future trends. Electronics, 10(22), 2786.
Remcom. (2023). Wireless InSite: Full-featured 3D propagation prediction software. Remcom Inc.
Remcom. (2024). Wireless InSite 3D Wireless Propagation Software. Recuperado de https://www.remcom.com/wireless-insite-propagation-software
Renzo, M. D., Debbah, M., Phan-Huy, D.-T., Zappone, A., Alouini, M.-S., Yuen, C., & Hossain, E. (2020). Smart Radio Environments Empowered by Reconfigurable Intelligent Surfaces: How it Works, State of Research, and Road Ahead. IEEE Journal on Selected Areas in Communications, 38(11), 2450–2525.
Rezaie, M., Han, S., & Akyildiz, I. F. (2021). 6G and beyond: Smart cities with intelligent UAVs for massive IoT deployment. Computer Networks, 199, 108442.
Rezaie, R., & Khalaj, B. H. (2021). Deep Learning-Based Beam Tracking for Millimeter-Wave Communications Under Mobility. ResearchGate.
Rezaie, S. (2023). Machine Learning Solutions for Context Information-aware Beam Management in Millimeter Wave Communications [PhD Thesis, Aalborg University]. https://vbn.aau.dk/files/549499706/PHD_SR.pdf
Rezaie, S., Amiri, A., & De Carvalho, E. (2021). Deep transfer learning for location-aware millimeter wave beam selection. IEEE Communications Letters. https://ieeexplore.ieee.org/document/9461767
Romero Huedo, J. (2023). Transmisores ópticos de señales de ondas milimétricas para redes de acceso 6G. Universitat Politècnica de València. https://riunet.upv.es/handle/10251/187213
Ruder, S. (2016). An overview of gradient descent optimization algorithms. arXiv preprint arXiv:1609.04747.
SNU (2024). A Study on Sensing and Deep Learning-aided Wireless Communications for Intelligent 6G. Seoul National University Repository.
Saad, W., Bennis, M., & Chen, M. (2020). A Vision of 6G Wireless Systems: Applications, Trends, Technologies, and Open Research Problems. IEEE Network, 34(3), 134-142.
Salh, A., Audah, L., Shah, N. S. M., & Alhammadi, A. (2021). A survey on deep learning for ultra-reliable and low-latency communications challenges on 6G wireless systems. IEEE Access.
Sana, S., Bicen, A. O., & Erkip, E. (2022). Deep learning methods for ultra-reliable low latency communications in 6G. IEEE Journal on Selected Areas in Communications, 40(1), 207–222.
Sarkar, A., Telikani, A., & Du, B. (2024). Machine learning for UAV-aided ITS: A review with comparative study. IEEE Transactions on Intelligent Transportation Systems.
Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117.
Schulman, J., Wolski, F., Dhariwal, P., & Radford, A. (2017). Proximal Policy Optimization Algorithms. arXiv preprint arXiv:1707.06347.
Sefati, S. S., Haq, A. U., Craciunescu, R., & Halunga, S. (2024). A Comprehensive Survey on Resource Management in 6G Network Based on Internet of Things. IEEE Access.
Serôdio, C., Cunha, J., Candela, G., & Rodriguez, S. (2023). The 6G ecosystem as support for IoE and private networks: Vision, requirements, and challenges. Future Internet, 15(11), 348.
Sesyuk, A., Ioannou, C., & Raspopoulos, M. (2022). Wireless Insite simulations for urban 6G deployment planning. Journal of Electromagnetic Waves and Applications, 36(15), 1993–2010.
Shafik, W., Matinkhah, S. M., & Ahmad, Z. (2020). 5G-based unlicensed spectrum access: MAB learning for UAV beam selection. Journal of Wireless Communications.
Shaik, M. M. (2024). Computer Vision for mmWave 6G: Blockage Prediction and Adaptive Beamforming. Sensors, 24(2), 1884. https://doi.org/10.3390/s24021884
Shao, Y., Sun, L., Liu, F., Yang, S., Ma, W., & Li, L. (2024). Deep learning in 6G networks: Trends and future research. IEEE Transactions on Network and Service Management.
Sharma, D., Tilwari, V., & Pack, S. (2024). An overview for Designing 6G Networks: Technologies, Spectrum Management, Enhanced Air Interface and AI/ML Optimization. IEEE Internet of Things Journal.
Shvetsov, A. V., & Alsamhi, S. H. (2024). When holographic communication meets metaverse: Applications, challenges and future trends. IEEE Access. https://ieeexplore.ieee.org/abstract/document/10788695/
Singh, D., & Pathak, A. (2023). Neural Beam Alignment Based on Geospatial Context in Next-Gen Networks. Computer Networks.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction. MIT Press.
Szott, S., Kosek-Szott, K., & Gawlowicz, P. (2022). Wi-Fi meets ML: A survey on improving IEEE 802.11 performance with machine learning. IEEE Communications Surveys & Tutorials.
Tan, L., Jiang, Y., & Lu, C. (2024). Enhanced propagation modeling for 6G in urban environments. IEEE Transactions on Vehicular Technology.
Tan, R., Zhang, J., & Zhou, Q. (2024). Enhancing beam tracking with lidar and radar fusion in vehicular 6G. Sensors, 24(1), 302. https://doi.org/10.3390/s24010302
Tang, J., & Xu, D. (2023). Efficient 6G Beam Selection through Deep Feature Fusion of Position and IMU Data. Mobile Information Systems.
Tang, J., Dai, L., & Wang, Z. (2022). Wireless Communications With Reconfigurable Intelligent Surface: Path Loss Modeling and Experimentation. IEEE Transactions on Wireless Communications, 21(1), 308-322.
Tang, W., Chen, M. Z., Zeng, S., Zhou, J., & Wu, Q. (2021). Wireless Communications with Reconfigurable Intelligent Surface: Path Loss Modeling and Experimental Measurement. IEEE Transactions on Wireless Communications, 20(1), 421–439.
Tariq, S., Arfeto, B. E., & Jung, H. (2024). Beam Prediction in mmWave V2I Communications with Quantum Transformer Networks. Proceedings of the IEEE.
Taygur, M. M. (2023). Wave Propagation Simulations by Bidirectional Ray-Tracing and Investigations on Ray Based Channel Modeling for Massive MIMO. Technical University of Munich Repository.
Tera, S. P., Chinthaginjala, R., Pau, G., & Kim, T. H. (2024). Towards 6G: An Overview of the Next Generation of Intelligent Network Connectivity. IEEE Access.
Tian, Y., Hu, X., Lin, Y., Wang, X., & Zhu, C. (2024). A Sum-Rate Prediction Strategy Based On RIS-Aided IoT Networks Power Optimization Algorithm. IEEE Vehicular Technology Conference.
Tishchenko, A., Khalily, M., & Shojaeifard, A. (2025). The Emergence of Multi-Functional and Hybrid Reconfigurable Intelligent Surfaces for Integrated Sensing and Communications-A Survey. IEEE Communications Surveys & Tutorials.
Tomar, P., Kumar, G., Verma, L. P., & Sharma, V. K. (2022). CMT-SCTP and MPTCP multipath transport protocols: A comprehensive review. Electronics, 11(15), 2384.
Topal, E., Sekercioglu, Y. A., & Gurses, E. (2022). Internet of Medical Things: Review of Recent Contributions and Challenges in 6G. IEEE Access, 10, 111212-111233.
Ullah, A., Anwar, S. M., Li, J., Nadeem, L., & Mahmood, T. (2024). Smart cities: The role of Internet of Things and machine learning in realizing a data-centric smart environment. Complex & Intelligent Systems, 10, 297–312.
Va, V., Choi, J., Shimizu, T., Bansal, G., & Heath Jr., R. W. (2017). Inverse multipath fingerprinting for millimeter wave V2I beam alignment. IEEE Transactions on Vehicular Technology, 67(5), 4042–4058. https://doi.org/10.1109/TVT.2017.2753223
Va, V., Shimizu, T., Bansal, G., & Heath Jr, R. W. (2018). Online Learning for Position-Aided Millimeter Wave Beam Training. arXiv preprint arXiv:1809.03014. https://arxiv.org/abs/1809.03014
Va, V., Shimizu, T., Bansal, G., & Heath, R. W. (2018). Online Learning for Position-Aided Millimeter Wave Beam Training. IEEE Transactions on Wireless Communications, 17(8), 5092–5106.
Va, V., Shimizu, T., Bansal, G., & Heath, R. W. (2019). Online learning for position-aided millimeter wave beam training. IEEE Access, 7, 30507-30526. https://ieeexplore.ieee.org/document/8662770
Valcarce, A., Kela, P., & Mandelli, S. (2024). The role of AI in 6G MAC. IEEE Communications & 6G Technologies.
Vitucci, E. M., Albani, M., & Kodra, S. (2024). An efficient ray-based modeling approach for scattering from reconfigurable intelligent surfaces. IEEE Transactions on Antennas and Propagation.
Wang, C. X., Haider, F., Gao, X., You, X. H., Yang, Y., Yuan, D., & Aggoune, H. M. (2022). Cellular architecture and key technologies for 5G wireless communication networks. IEEE Communications Magazine, 52(2), 122-130.
Wang, C. X., Huang, C., & Zhou, W. (2024). An ECA–ResNet-Based Intelligent Communication Scenario Identification Algorithm for 6G Wireless Communications. International Journal of Intelligent Systems, 39(2).
Wang, C., You, L., & Huang, Y. (2021). Massive MIMO for 6G: Challenges and opportunities. IEEE Wireless Communications, 28(2), 46–52.
Wang, C., Zhang, J., & Liu, Y. (2023). Deep Learning-Based Beam Management in mmWave and THz Bands for 6G. IEEE Wireless Communications, 30(1), 56-63.
Wang, H., Xu, Z., Sun, H., Ding, G., & Pan, Y. (2021). Beam Management for Low-Latency and High-Reliability Communications in Millimeter-Wave 6G Networks. IEEE Network, 35(2), 109-115.
Wang, J., Wang, F., Zhang, X., et al. (2024). Joint Optimizations for Double-IRS’ Cooperative Positioning and Beamforming Over Massive-MIMOAP Based 6G Secure Mobile Wireless Networks. IEEE Global Communications Conference. https://ieeexplore.ieee.org/abstract/document/10901490/
Wang, J., Wang, Y., & Xu, Z. (2021). Adaptive beam management for high mobility in mmWave vehicular communications. IEEE Transactions on Vehicular Technology, 70(6), 5784–5795.
Wang, K., Cao, T., Li, X., Li, H., Li, M., & Zhou, M. (2025). A Survey on Trajectory Planning and Resource Allocation in Unmanned Aerial Vehicle-assisted Edge Computing Networks. Journal of Electronics and Information Technology.
Wang, L., Ge, S., Zhou, X., Qiu, T., & Li, K. (2021). Multi-agent reinforcement learning-based cooperative beam selection in mmwave vehicular networks. IEEE Transactions on Mobile Computing. https://ieeexplore.ieee.org/document/9637786
Wang, P., Zhang, Y., & Li, H. (2021). Deep Learning-Based Beam Tracking for Millimeter-Wave Communications Under Mobility. ResearchGate.
Wang, X., Hu, P., Zhou, Y., & Li, Y. (2021). Beam sweeping with subset selection in mmWave and THz 6G communication systems. IEEE Transactions on Vehicular Technology, 70(9), 8793–8807.
Wang, Z., Schaul, T., Hessel, M., Van Hasselt, H., Lanctot, M., & De Freitas, N. (2019). Dueling network architectures for deep reinforcement learning. In International Conference on Machine Learning, 1995–2003.
Wang, Z., Zhang, H., Yang, N., & Shikh-Bahaei, M. (2021). Mobility prediction in vehicular networks: A deep learning approach. IEEE Wireless Communications Letters, 10(5), 1056–1060.
Wu, J., Fang, X., Niyato, D., Wang, J., et al. (2024). DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation. arXiv:2410.14481
Wu, Q., Zhang, S., & Zhang, R. (2020). Intelligent Reflecting Surface Aided Wireless Communications: A Tutorial. IEEE Transactions on Communications, 68(5), 3337–3375.
Xie, X., Wang, H., & Yang, D. (2025). A Deep Reinforcement Learning-Based Beam Prediction Scheme for Vision-Aided mmWave Wireless Communications. IEEE Internet of Things Journal. https://ieeexplore.ieee.org/document/10879509
Xu, J., Liu, Y., Mu, X., Zhou, J. T., & Song, L. (2022). Simultaneously transmitting and reflecting intelligent omni-surfaces: Modeling and implementation. IEEE Vehicular Technology Magazine.
Xu, K., Li, P., & Ren, H. (2022). Deep Learning-Aided Beam Prediction with Orientation Input for 6G. Journal of Wireless Communications and Networking.
Xu, L., Gao, Y., Tao, X., & Zhang, P. (2022). Situational awareness-based beam prediction for mmWave vehicular networks. IEEE Transactions on Intelligent Transportation Systems, 23(11), 18452-18464. https://doi.org/10.1109/TITS.2022.3149876
Xu, W., Gao, F., Tao, X., & Zhang, J. (2022). Computer vision aided mmWave beam alignment in V2X communications. IEEE Transactions on Communications. https://doi.org/10.1109/TCOMM.2022.3225581
Xu, Y., Chen, Y., & Zhang, X. (2023). Beam learning with environment feedback for adaptive beamforming. IEEE Transactions on Communications, 71(5), 3050–3063.
Xu, Y., Gao, X., Tao, C., & Zhang, H. (2022). Predictive Beam Management for Vehicle-to-Infrastructure Communications With Contextual Awareness. IEEE Transactions on Vehicular Technology, 71(5), 4949–4963.
Xu, Y., Huang, C., Wei, L., & Yang, Z. (2024). Hashing beam training for integrated ground-air-space wireless networks. IEEE Transactions on Communications. https://ieeexplore.ieee.org/document/10679221
Xu, Y., Wang, Y., & Zhang, J. (2024). Deep Learning-Based Beam Selection Technique for 6G Millimeter Wave Communication. ResearchGate.
Xu, Y., Yang, S., & He, H. (2024). Beam prediction using location and orientation aided DNNs in pedestrian scenarios. IEEE Transactions on Wireless Communications, 23(1), 123–135.
Xu, Y., Zhou, F., & Wang, H. (2021). UAV communication in 6G: Beamforming and trajectory optimization. IEEE Transactions on Wireless Communications, 20(12), 7890–7905.
Xu, Z., He, Y., & Zhang, L. (2024). Adaptive body-orientation beamforming for biomedical signal transmission in mobile users. IEEE Transactions on Biomedical Circuits and Systems, 18(1), 56–67.
Xue, Q., Ji, C., Ma, S., Guo, J., & Xu, Y. (2024). A survey of beam management for mmWave and THz communications towards 6G. IEEE Communications Surveys & Tutorials.
Xue, Q., Ji, C., Ma, S., Guo, J., & Xu, Y. (2024). A survey of beam management for mmWave and THz communications towards 6G. IEEE Communications Surveys & Tutorials. https://arxiv.org/pdf/2308.02135
Yang, K., Xiao, M., Xia, P., Du, Y., Li, S., Xu, M., & Fan, P. (2020). Deep learning-based beam prediction using location data for millimeter-wave massive MIMO systems. IEEE Transactions on Vehicular Technology, 69(9), 10026–10030. https://doi.org/10.1109/TVT.2020.3009060
Yang, K., Zhang, Y., & Zhao, M. (2020). AI-enabled channel state prediction for 6G wireless systems. IEEE Network, 34(3), 240-246. https://doi.org/10.1109/MNET.2020.9096831
Yang, K., Zhao, Y., Zhang, X., & Gao, X. (2024). Beam Tracking Using Sub-6 GHz Power Delay Profile and LSTM Models. IEEE Transactions on Vehicular Technology.
Yang, L., Chen, M., & Lee, V. C. S. (2024). Predictive Beam Management in Dense Urban 6G Environments with Computer Vision. IEEE Transactions on Mobile Computing, 23(2), 1350–1365.
Yang, L., Zhao, Y., & Wang, H. (2023). Simulation of Smart City Applications Using Unity3D-Based Virtual Environments. Journal of Ambient Intelligence and Humanized Computing, 14(3), 2505-2519.
Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2021). Federated machine learning: Concept and applications. ACM Transactions on Intelligent Systems and Technology, 10(2), 1–19.
Yang, S., Wang, C. X., Wang, Y., & Huang, J. (2024). An Efficient Pre-Processing Method for 6G Dynamic Ray-Tracing Channel Modeling. IEEE Transactions on Vehicular Technology.
Yang, Y., Chen, M., & Lee, J. (2024). Positioning using wireless networks: Applications, recent progress and future challenges. IEEE Journal on Selected Areas in Communications, 42(4), 755–774.
Yang, Z., Zhang, P., & Wang, L. (2020). An Adaptive Beamforming Strategy for Millimeter-Wave Wireless Networks with Environmental Awareness. IEEE Transactions on Vehicular Technology, 69(5), 5197-5209.
Yang, Z., Zhang, Y., & Xu, J. (2022). Deep Learning Techniques for 6G: A Survey and Future Directions. IEEE Transactions on Emerging Topics in Computational Intelligence, 6(4), 675-692.
Yazici, I., Shayea, I., Din, J. (2023). A survey of applications of artificial intelligence and machine learning in future mobile networks-enabled systems. Future Generation Computer Systems.
Ye, X., Fu, L., & Cioffi, J. M. (2024). Joint codebook selection and MCS adaptation for MmWave eMBB services based on deep reinforcement learning. IEEE Internet of Things Journal.
Yettefagh, Y. (2025). Positioning, synchronization, and communication in 6G: Insights from massive MIMO, RIS, and NTN. Chalmers University of Technology.
Yildirim, I., & Basar, E. (2022). Channel modelling in RIS-empowered wireless communications. Wiley Book Chapter, 7.
You, L., Wang, J., Fang, J., & Yuan, D. (2021). Mobile Edge Computing for 6G Internet of Vehicles: Architectures, Enabling Technologies, and Challenges. IEEE Access, 9, 128183-128196.
You, L., Zhang, J., Song, J., & Letaief, K. B. (2022). Toward 6G Wireless Communication Networks: Vision, Enabling Technologies, and New Paradigm Shifts. Science China Information Sciences, 65(1), 1-21.
Yu, J. (2022). Wireless Sensing and Fusion using Deep Neural Networks [Doctoral dissertation, Virginia Tech]. https://vtechworks.lib.vt.edu/handle/10919/115861
Yu, X. (2022). Predictive beamforming in vehicular mmWave networks using power delay profile. IEEE Transactions on Vehicular Technology.
Yuan, Z., Zhang, J., & Degli-Esposti, V. (2024). Efficient ray-tracing simulation for near-field spatial non-stationary mmWave massive MIMO channel and its experimental validation. IEEE Communications Letters.
Zarif, A. H., Nouruzi, A., Mokari, N., & Parvini, M. (2022). Machine learning-assisted beam management for user-centric 6G networks. IEEE Access, 10, 109548–109562.
Zhai, D., Wang, C., Cao, H., Garg, S., & Hassan, M. M. (2022). Deep neural network based UAV deployment and dynamic power control for 6G-envisioned intelligent warehouse logistics system. Future Generation Computer Systems, 130, 122–135.
Zhang, C., Jiang, Y., Zhang, T., & Wang, X. (2022). Collaborative sensing and learning in wireless networks: A survey. IEEE Communications Surveys & Tutorials, 24(1), 35–62.
Zhang, C., Liu, X., & Yu, H. (2022). Virtual reality-based smart city traffic simulation using Unity 3D. Journal of Advanced Transportation, 2022, 1-14.
Zhang, H., Liu, N., Chu, X., Long, K., Aghvami, A. H., & Leung, V. C. M. (2020). Network slicing based 5G and future mobile networks: Mobility, resource management, and challenges. IEEE Communications Magazine, 58(1), 115–121.
Zhang, H., Liu, N., Chu, X., Long, K., Aghvami, H., & Leung, V. (2021). Network Slicing Based 5G and Future Mobile Networks: Mobility, Resource Management, and Challenges. IEEE Communications Magazine, 55(8), 138–145.
Zhang, H., Liu, Y., & Ma, J. (2023). Intelligent Beamforming for 6G Vehicular Networks Using Position-Aware Neural Networks. IEEE Transactions on Vehicular Technology.
Zhang, H., Wang, C., Chen, H., & Li, X. (2024). UAV-Assisted Communication for 6G in Emergency Scenarios: Opportunities and Challenges. IEEE Network, 38(1), 45–53.
Zhang, H., Wang, Y., Wang, C. X., & Zhou, X. (2024). Drone-Assisted Mobile Base Stations in Disaster-Relief 6G Networks. IEEE Network, 38(1), 68–75. https://doi.org/10.1109/MNET.011.2300079
Zhang, J., Alrabeiah, M., & Alkhateeb, A. (2021). Learning-based beam prediction using position and CSI for mmWave systems. IEEE Transactions on Vehicular Technology, 70(2), 1605-1618. https://doi.org/10.1109/TVT.2021.3051736
Zhang, J., Chen, X., Han, T., & Li, Y. (2022). Learning-Based Resource Allocation in 6G Vehicular Networks. IEEE Transactions on Intelligent Transportation Systems, 23(7), 6939-6949.
Zhang, J., Sun, C., & Li, H. (2023). AI-based Beam Management in 3GPP: Optimizing Data Collection Time Window for Temporal Beam Prediction. IEEE Open Journal of the Communications Society.
Zhang, J., Xiao, M., Ma, Z., Xiao, Y., Ding, Z., & Poor, H. V. (2021). 6G Wireless Networks: Vision, Requirements, Architecture, and Key Technologies. IEEE Vehicular Technology Magazine, 16(3), 28-41.
Zhang, J., Zhang, X., Dai, L., & Wang, Z. (2021). Machine Learning Aided Beam Alignment for mmWave and THz Communications: A Comprehensive Survey. IEEE Communications Surveys & Tutorials, 23(3), 1493-1519.
Zhang, J., Zhou, F., Li, W., & Qi, F. (2024). Beam prediction and tracking mechanism with enhanced LSTM for mmWave aerial base station. Wireless Networks. https://link.springer.com/article/10.1007/s11276-024-03673-w
Zhang, P., Li, L., Niu, K., Li, Y., & Lu, G. (2021). An intelligent wireless transmission toward 6G. IEEE Transactions on Converged Networks.
Zhang, S., Tong, X., Chi, K., & Gao, W. (2025). Stackelberg game-based multi-agent algorithm for resource allocation and task offloading in MEC-enabled C-ITS. IEEE Transactions on Intelligent Transportation Systems.
Zhang, S., Zhang, J., Sun, S., & Letaief, K. B. (2021). Deep reinforcement learning for resource management in 6G: Challenges, methods, and opportunities. IEEE Wireless Communications, 28(1), 86–93.
Zhang, Y., & Yuen, K. V. (2022). Review of artificial intelligence-based bridge damage detection using thermal imaging and CNNs. Advances in Mechanical Engineering. https://journals.sagepub.com/doi/abs/10.1177/16878132221122770
Zhang, Y., Alrabeiah, M., & Alkhateeb, A. (2021). Reinforcement learning of beam codebooks in millimeter wave and terahertz MIMO systems. IEEE Transactions on Communications, 69(12), 8571–8585. https://doi.org/10.1109/TCOMM.2021.3118737
Zhang, Y., Liu, J., & Zhao, M. (2022). Software defined networking for 6G vehicular networks: A survey. IEEE Access, 10, 55423–55435.
Zhang, Y., Liu, S., & Wang, J. (2024). UAV-Based Base Station Deployment for Real-Time mmWave Beam Prediction. IEEE Access, 12, 12345–12356. https://doi.org/10.1109/ACCESS.2024.3210987
Zhang, Y., Wang, Y., & Alkhateeb, A. (2018). Deep learning coordinated beamforming for mmWave massive MIMO systems. IEEE Transactions on Wireless Communications, 17(12), 8165-8179. https://doi.org/10.1109/TWC.2018.2876224
Zhang, Y., Xu, W., Wang, T., & Li, Y. (2023). Optimization and learning for 6G communications: Fundamentals and challenges. IEEE Transactions on Wireless Communications, 22(3), 1234–1248.
Zhang, Z., Wang, N., Zhang, T., & Wang, H. (2020). Real-Time Vision-Aided Beam Prediction in 6G Networks Using Convolutional Neural Networks. IEEE Transactions on Vehicular Technology, 69(12), 14998–15010.
Zhao, H., Ni, Y., Xia, W., & Gui, G. (2024). Deep deterministic policy gradient-based rate maximization for RIS-UAV-assisted vehicular communication networks. IEEE Transactions on Vehicular Technology.
Zhao, M., Shen, X., & Zhang, H. (2024). Context-Aware Beam Prediction for 6G with Multi-Source Sensor Data. IEEE Transactions on Wireless Communications, 23(3), 1705–1719.
Zhao, Y., Zhang, X., Gao, X., & Yang, K. (2024). LSTM-Based Predictive mmWave Beam Tracking via Sub-6 GHz Channels for V2I Communications. IEEE Transactions on Vehicular Technology.
Zhou, F., Yu, G., & Chen, R. (2021). Toward Intelligent and Secure Vehicular Networks in 6G. IEEE Network, 35(4), 219–225.
Zhou, W., Wang, C. X., & Huang, C. (2024). An Evaluation of CNN Using Deep Residual Learning for Modulation, 5G, LTE, and WLAN System Classification. IEEE Transactions on Neural Networks and Learning Systems.
Zhu, L., Chen, C., Wang, H., & Yu, F. R. (2023). Machine learning in urban rail transit systems: A survey. IEEE Intelligent Transportation Systems. https://ieeexplore.ieee.org/document/10273191
Zou, L., Feng, R., Huang, M., & Li, R. (2024). Enhancing telecooperation through haptic twin for internet of robotic things: Implementation and challenges. IEEE Internet of Things Journal.
Zuo, Y., Guo, J., Gao, N., Zhu, Y., Jin, S. (2023). A survey of blockchain and artificial intelligence for 6G wireless communications. IEEE Communications Surveys & Tutorials.