Revisar literatura recomendada
21/05/2025
Cómo el 6G Transformará Sectores Clave en la Próxima Década
A medida que la sociedad avanza hacia un entorno cada vez más conectado, las redes 6G se perfilan como la próxima gran revolución en el ámbito de las telecomunicaciones, integrando capacidades avanzadas de comunicación, sensado y computación distribuida (Wang, Zhao, & Sun, 2025). En este contexto, el espectro de los terahercios, (THz, Terahertz), emerge como un componente esencial para habilitar aplicaciones que requieren velocidades de transferencia de datos ultra rápidas y latencias mínimas, permitiendo así experiencias inmersivas como la telepresencia holográfica tridimensional (Gunkel, 2024)
Por otro lado, las redes 6G no solo se enfocan en incrementar las velocidades de transmisión, sino también en optimizar la estructura del enlace X-haul, que abarca fronthaul, midhaul y backhaul, proporcionando una infraestructura integrada y flexible que soporta aplicaciones avanzadas como la realidad aumentada, (AR, Augmented Reality), y la realidad virtual, (VR, Virtual Reality), en tiempo real (Selim & Kamal, 2022). En este sentido, la implementación de técnicas avanzadas de beamforming en los THz promete no solo aumentar la capacidad de transferencia de datos, sino también mejorar la precisión en el direccionamiento de los haces, lo que resulta fundamental para garantizar conexiones estables y de alta calidad en entornos densamente poblados (Mahmoud, Rizou, & Panayides, 2023).
Además, las redes 6G incorporan capacidades avanzadas de sensado y comunicación integrada, (ISAC, Integrated Sensing and Communication), permitiendo aplicaciones como el monitoreo del entorno mediante señales electromagnéticas, lo que abre la puerta al desarrollo de sistemas autónomos que combinan comunicación y detección en un solo enlace (Wei, 2024). Esta convergencia tecnológica no solo facilita la implementación de aplicaciones críticas en sectores industriales, sino que también establece las bases para nuevas formas de interacción entre dispositivos conectados, como los sistemas masivos de comunicaciones máquina a máquina, (mMTC, massive Machine Type Communications) (Joseph, Gandikota, & Kim, 2025).
Cirugía Holográfica con 6G: Aplicaciones Médicas Futuristas Basadas en THz, AI y Realidad Extendida
En la imagen destacada de este artículo, se presenta un escenario futurista altamente tecnológico en el que se visualiza una camilla quirúrgica proyectando holográficamente un paciente, gracias a las capacidades habilitadas por redes 6G. En primer lugar, la escena representa la aplicación directa de la telepresencia holográfica tridimensional, la cual requiere anchos de banda del orden de los terabits por segundo (Tbps) y latencias por debajo de los cinco milisegundos, condiciones técnicas viabilizadas por el uso de frecuencias en el rango de los terahercios (THz) y técnicas avanzadas de beamforming inteligente. Esta representación holográfica no solo muestra una figura humana, sino que despliega datos anatómicos y signos vitales en tiempo real, integrando sensores distribuidos conectados mediante tecnologías de Comunicación y Sensado Integrado (ISAC), lo cual es una de las capacidades distintivas de las redes 6G.
A continuación, debe destacarse que el quirófano ilustrado incorpora interfaces visuales y dispositivos portátiles utilizados por el personal médico, los cuales funcionan con tecnologías de realidad aumentada (AR) y realidad virtual (VR). Estas interfaces inmersivas se apoyan en conexiones de baja latencia proporcionadas por los enlaces X-haul optimizados en redes 6G, que permiten una sincronización precisa entre los distintos módulos del sistema quirúrgico, incluyendo sensores, pantallas holográficas y dispositivos de entrada. Además, la tecnología Enhanced Mobile Broadband (eMBB) permite soportar streams simultáneos de video 8K estereoscópico, empleados tanto para la visualización anatómica como para la colaboración médica remota, lo que refleja un uso práctico de los anchos de banda extremos disponibles mediante enlaces en los THz.
Posteriormente, la presencia de interfaces basadas en inteligencia artificial (AI) y aprendizaje automático (ML) sugiere que el quirófano integra capacidades autónomas de monitoreo y predicción. Por ejemplo, algoritmos de ML pueden anticipar fallos en la red o bloqueos físicos del haz de comunicación, redirigiendo los enlaces en los THz en tiempo real para evitar interrupciones, garantizando así la continuidad del procedimiento quirúrgico. Este nivel de estabilidad y adaptabilidad refleja la implementación de superficies reconfigurables inteligentes (RIS), capaces de optimizar dinámicamente la dirección de la señal incluso en entornos con múltiples obstáculos.
Seguidamente, se observa que el entorno holográfico quirúrgico también puede estar conectado con nodos remotos mediante redes óptico-inalámbricas híbridas, apoyadas en la infraestructura X-haul. Estas redes combinan enlaces de fibra óptica y ondas milimétricas o de los THz, facilitando la conexión de este quirófano con centros de datos o especialistas ubicados a grandes distancias, viabilizando así cirugías colaborativas mediante avatares holográficos en tiempo real. Adicionalmente, en este contexto, los UAVs (vehículos aéreos no tripulados) pueden actuar como nodos de transmisión temporal o backup, garantizando redundancia de red en caso de fallos estructurales o cortes del canal principal.
Asimismo, la visualización de datos biomédicos de alta resolución en la imagen implica el uso de códecs avanzados como HEVC o VVC, los cuales permiten comprimir y transmitir información médica crítica sin pérdidas, incluso en formatos estereoscópicos 8K. Esta capacidad es indispensable para aplicaciones de cirugía guiada por imagen, donde cada milisegundo cuenta y cada píxel aporta precisión diagnóstica. Igualmente, gracias a la compatibilidad de las redes 6G con interfaces USB y HDMI inalámbricas, se eliminan los cables en el quirófano, reduciendo riesgos físicos y mejorando la higiene del entorno.
En términos de interacción contextual, el quirófano está enriquecido por sistemas mMTC (massive Machine Type Communications), mediante los cuales decenas de sensores y dispositivos biomédicos pueden transmitir datos simultáneamente sin congestionar la red, beneficiándose del direccionamiento selectivo que ofrecen los en los THz. Esta capacidad garantiza la eficiencia operativa incluso en momentos de máxima demanda, como durante una intervención quirúrgica de alta complejidad.
Finalmente, el diseño general del entorno quirúrgico representado en la imagen destaca por su estética futurista e inmersiva, reforzada por una iluminación estratégica que simula el resplandor de las proyecciones holográficas y las interfaces gráficas flotantes. Esta ambientación no solo responde a una cuestión estética, sino que comunica visualmente el avance de la convergencia tecnológica entre comunicación, computación, sensado e inteligencia artificial, pilares fundamentales de la era 6G.
Aplicaciones Prácticas de las Redes 6G en el Espectro de los Terahercios
La capacidad de conformar haces electromagnéticos de los enlaces en las ondas milimétricas y en los terahertz con precisión milimétrica, habilita numerosos casos de uso que previamente eran inviables.
Extensión Mejorada de Banda Ancha (eMBB) y su Impacto en las Comunicaciones 6G
En el ámbito de las comunicaciones de banda ultra-ancha la Extensión Mejorada de Banda Ancha (eMBB, Enhanced Mobile Broadband), es una tecnología que promete enlaces inalámbricos con velocidades comparables a las de la fibra óptica, permitiendo, por ejemplo, establecer conexiones principales troncales de backhaul o fronthaul entre estaciones base 6G a tasas de decenas de gigabits o incluso terabits por segundo (MDPI, 2025). En este contexto, se prevé el uso de bandas de los THz como backhaul para redes ultra densas, reduciendo la dependencia de los enlaces de fibra óptica y funcionando con una capacidad de una “fibra óptica inalámbrica” de alta capacidad entre nodos cercanos.
Redes Ultra Densas y la Conexión mediante Haces THz Dirigidos
Un escenario práctico de esta implementación son pequeñas celdas urbanas 6G interconectadas mediante haces electromagnéticos en los THz dirigidos, capaces de soportar la elevada carga de datos en áreas de tráfico intenso.
Kioscos 6G: Descargas Instantáneas de Contenidos en Segundos
Además, surge el concepto del “kiosco 6G” de descarga instantánea: puntos de acceso capaces de entregar grandes volúmenes de contenido en segundos. Por ejemplo, un usuario podría descargar una película 4K o un modelo holográfico volumétrico en apenas unos segundos, aprovechando un haz THz enfocado al dispositivo gracias al ancho de banda extremo disponible (Arxiv, 2025).
Estandarización IEEE 802.15.3d y la Implementación de THz en Comunicaciones
En apoyo a esta visión, el estándar IEEE 802.15.3d ya establece comunicaciones en el rango de los THz, operando alrededor de 300 GHz con tasas de hasta 100 Gb/s en distancias cortas. Este estándar está diseñado específicamente para aplicaciones como kioscos de datos, interconexión inalámbrica en centros de datos y comunicaciones intrachip, además de enlaces X-haul (Arxiv, 2025). Esto indica que las aplicaciones de descarga ultrarrápida y comunicaciones intradispositivo no solo son conceptuales, sino que ya cuentan con un marco normativo y técnico para su implementación.
X-haul: Integración de Fronthaul, Midhaul y Backhaul en Redes 6G
En cuanto al X-haul, es un término que engloba fronthaul, midhaul y backhaul, integrando estos elementos en una infraestructura única para optimizar la transmisión de datos en redes 5G y 6G (Zhang et al., 2019). De hecho, el objetivo del X-haul es proporcionar una estructura flexible y escalable capaz de soportar las altísimas tasas de transferencia de datos y las latencias ultrabajas requeridas por las aplicaciones 6G, como la realidad aumentada (AR), la realidad virtual (VR) y los servicios táctiles en tiempo real (Selim & Kamal, 2022).
En consecuencia, el enlace X-haul en redes 6G no solo se centra en la transmisión de datos mediante ondas milimétricas (mmWave) o sub-THz, sino que también incorpora tecnologías ópticas avanzadas, como las Redes Ópticas Pasivas (PON, Passive Optical Networks) y los enlaces de fibra óptica de alta capacidad (Ranaweera et al., 2023).
Redes Óptico-Inalámbricas: Ejemplo de Implementación de X-haul
Un claro ejemplo de su implementación se observa en las redes integradas óptico-inalámbricas, donde las antenas de ondas milimétricas se conectan a través de enlaces ópticos, garantizando una transmisión de datos continua y sin interrupciones (Vargemidou & Maximidis, 2024).
Mitigación de Fallos y Auto-recuperación en la Infraestructura X-haul 6G
Por otro lado, el diseño de la arquitectura X-haul en 6G requiere sistemas robustos de mitigación de fallos y mecanismos de auto-recuperación basados en inteligencia artificial (AI), lo cual permite mantener la integridad de los enlaces incluso en entornos de alta densidad de usuarios (Tomkos et al., 2024). Un caso práctico es el uso de superficies reconfigurables inteligentes (RIS, Reconfigurable Intelligent Surfaces), las cuales pueden redirigir las señales y evitar interrupciones en caso de fallos en los enlaces principales (Selim & Kamal, 2022).
Ciertamente, en términos de aplicaciones, los enlaces X-haul son esenciales para soportar la distribución de servicios ultrarrápidos como las aplicaciones de inteligencia artificial distribuida, el streaming de contenidos de alta resolución en 8K y la interconexión de dispositivos IoT (Internet of Things, Internet de las Cosas) en entornos urbanos inteligentes (Sizer et al., 2021). Por ejemplo, en centros de datos interconectados a través de X-haul, la transmisión a tasas superiores a 100 Gb/s se convierte en una realidad, permitiendo aplicaciones avanzadas como el control remoto de vehículos autónomos y la telemedicina de alta precisión (Kharga et al., 2025).
Resalta el hecho de la integración de X-haul en redes 6G, que abre la posibilidad de implementar sistemas híbridos donde la transmisión óptica y la inalámbrica coexisten en un entorno coordinado por sistemas de inteligencia artificial, lo cual no solo optimiza la gestión del tráfico de datos, sino que también reduce significativamente los costos operativos al aprovechar infraestructuras existentes (Porambage & Jain, 2024).
Transmisión Inmersiva de Video 8K Estereoscópico en Redes 6G
En entornos interiores, como oficinas o fábricas que operen redes privadas 6G, un nodo equipado con beamforming en los THz podría proporcionar enlaces punto a punto de alta velocidad entre dispositivos, eliminando cables HDMI o USB y reemplazándolos por conexiones inalámbricas con rendimiento equivalente. En consecuencia, se abren posibilidades para experiencias inmersivas de realidad virtual y aumentada sin latencia perceptible, permitiendo la transmisión de video 8K estereoscópico o entornos virtuales completos a auriculares VR sin necesidad de cables (Arxiv, 2025). Hay que aclarar, que el concepto de transmisión de video 8K estereoscópico se refiere a la capacidad de transmitir contenido audiovisual con una resolución ultra alta (7680 x 4320 píxeles) en formato estereoscópico, lo que implica la reproducción simultánea de dos flujos de video ligeramente diferentes para cada ojo, creando una sensación tridimensional (3D) (Wong, Wahab, Saeed, & Alharbi, 2022). En consecuencia, esta tecnología requiere anchos de banda extremadamente altos, especialmente cuando se implementa en aplicaciones de realidad virtual (VR, Virtual Reality) donde la latencia debe mantenerse en niveles mínimos para evitar mareos y asegurar una experiencia inmersiva fluida (Bekaroo & Dawarka, 2022).
Codificación Avanzada para Video 8K: HEVC y VVC en 6G
Además, la arquitectura de transmisión de video 8K estereoscópico se apoya en códecs avanzados como el HEVC (High-Efficiency Video Coding) o el VVC (Versatile Video Coding), que permiten comprimir y descomprimir flujos de video a velocidades superiores a 100 Mbps para mantener una calidad óptima de transmisión (Sharma, Liu, Farhat, & Sehad, 2023). Por ejemplo, en aplicaciones de transmisión inmersiva a través de Vehículos Aéreos No Tripulados, (UAVs, Unmanned Aerial Vehicles), se utilizan técnicas de optimización del ancho de banda para reducir el tiempo de transmisión mientras se mantiene la calidad 8K (Sharma et al., 2023).
Realidad Virtual y Realidad Aumentada en Redes 6G
En paralelo, los entornos virtuales completos en auriculares VR se han convertido en una extensión natural del avance en la transmisión de video 8K. Estos dispositivos no solo deben ser capaces de reproducir contenido de alta resolución, sino también integrar tecnologías como el seguimiento ocular y los sensores de movimiento para crear experiencias interactivas en tiempo real (Zhang, Shen, Ma, & Liu, 2023). Asimismo, se requiere el soporte de infraestructuras de red de baja latencia y alta capacidad, como las que proporcionará el 6G mediante técnicas avanzadas de beamforming en las frecuencias de los THz (Mahmoud, Rizou, & Panayides, 2023).
Aplicaciones Industriales y de Entretenimiento del Video 8K en 6G
Por otro lado, las aplicaciones prácticas de estas tecnologías abarcan diversos sectores. En entornos industriales, los sistemas VR pueden utilizarse para simulación y formación de empleados mediante entornos virtuales que replican escenarios de trabajo real en alta definición (Penaherrera-Pulla & Damsgaard, 2024). Igualmente, en el ámbito del entretenimiento, se han implementado transmisiones de eventos deportivos en 8K estereoscópico, permitiendo a los espectadores vivir la experiencia desde múltiples ángulos y en tiempo real (Yu, Shokrnezhad, Taleb, & Song, 2023).
Es pertinente indicar, que la convergencia de la transmisión de video 8K estereoscópico y los entornos virtuales completos en auriculares VR representa un avance significativo hacia la era del 6G, donde se espera que la infraestructura de red pueda soportar aplicaciones inmersivas con velocidades de transmisión de datos ultra altas y latencias cercanas a cero. De esta forma, se vislumbra un escenario donde la realidad extendida (XR, Extended Reality) y los entornos virtuales completamente inmersivos serán la norma en sectores como la educación, el entretenimiento y la formación industrial (Chung, 2022).
Telepresencia Holográfica 3D: Potencial y Retos en Redes 6G
De igual manera, aplicaciones futuristas, como la telepresencia holográfica en 3D, podrían hacerse realidad en la era 6G. Un avatar holográfico en tiempo real requiere flujos de datos en el rango de los terabits por segundo con latencias de milisegundos, condiciones que únicamente la banda de los THz podría satisfacer en distancias cortas (Arxiv, 2025). Sin embargo, para lograrlo, sería fundamental mantener los haces electromagnéticos de las transmisiones inalámbricas alineadas dinámicamente en la dirección a cada usuario holográfico, una tarea imposible de ejecutar eficientemente sin técnicas avanzadas de beamforming inteligente. Otra aplicación práctica en desarrollo es la comunicación y sensado integrado.
La telepresencia holográfica en 3D emerge como una de las aplicaciones más avanzadas y prometedoras en el contexto de las redes de comunicación móvil de sexta generación (6G). Esta tecnología posibilita la creación de representaciones tridimensionales en tiempo real mediante flujos de datos de alta capacidad, alcanzando el rango de los terabits por segundo (Tbps) con latencias en el orden de los milisegundos (Gunkel, 2024). A medida que se avanza en el desarrollo de las redes 6G, la implementación de bandas de frecuencia en el espectro de los terahercios (THz, Terahertz) resulta fundamental, dado que permite la transmisión eficiente de grandes volúmenes de información en distancias cortas. Sin embargo, el reto radica en mantener alineados los haces electromagnéticos de manera dinámica, empleando técnicas avanzadas de beamforming inteligente, las cuales son esenciales para preservar la integridad de la experiencia holográfica en tiempo real.
Captura y Transmisión en Tiempo Real de Hologramas 3D
En este contexto, el funcionamiento de la telepresencia holográfica en 3D implica la captura, procesamiento y transmisión de datos volumétricos a través de redes de alta capacidad. Primero, los sistemas de adquisición utilizan múltiples cámaras y sensores para registrar la imagen en 360 grados, generando una representación tridimensional del sujeto o entorno. Posteriormente, los datos se comprimen y transmiten mediante protocolos de comunicación avanzados que deben operar a velocidades extremadamente altas para asegurar una experiencia fluida e inmersiva. En este sentido, la tecnología 6G proporciona el soporte necesario, dado que ofrece velocidades de transferencia de datos significativamente superiores a las de las redes 5G y reduce la latencia a niveles casi imperceptibles, permitiendo así la sincronización precisa en tiempo real (Gunkel, 2024).
Debe señalarse, que las características técnicas más relevantes de la telepresencia holográfica 3D en el contexto de 6G abarcan diversos aspectos fundamentales. En primer lugar, la capacidad de transferencia de datos alcanza hasta 1 Tbps en entornos controlados, permitiendo así la transmisión de imágenes holográficas complejas sin comprometer la calidad visual. En segundo lugar, la latencia ultrabaja, inferior a los 5 milisegundos, posibilita la sincronización precisa entre el emisor y el receptor, asegurando que las interacciones holográficas se desarrollen sin demoras perceptibles. Además, el beamforming dinámico optimiza la alineación de los haces, garantizando que la transmisión de señales se ajuste continuamente a la posición del usuario. Por su parte, la codificación avanzada de señales, mediante técnicas como la multiplexación por división de frecuencia ortogonal (OFDM, Orthogonal Frequency Division Multiplexing), maximiza la eficiencia espectral, permitiendo el envío simultáneo de múltiples flujos de datos sin interferencias.
Aplicaciones Médicas, Educativas y Empresariales de la Telepresencia Holográfica
En cuanto a las aplicaciones prácticas, un ejemplo destacado es el uso de la telepresencia holográfica 3D en el ámbito médico, donde un cirujano especializado puede proyectar su imagen holográfica en tiempo real para guiar a un equipo local durante una intervención quirúrgica compleja. De forma similar, en el sector educativo, los profesores pueden impartir clases holográficas interactivas a estudiantes ubicados en distintas partes del mundo, proporcionando una experiencia más inmersiva y efectiva. Por otro lado, en el ámbito empresarial, las reuniones de negocios pueden evolucionar hacia conferencias holográficas tridimensionales, permitiendo a los participantes interactuar de manera más realista y cercana sin necesidad de desplazarse físicamente.
Es conveniente mencionar, que la integración de la telepresencia holográfica 3D con redes 6G no solo abre nuevas oportunidades en comunicación inmersiva, sino que también plantea limitaciones técnicas en términos de infraestructura, gestión del espectro y eficiencia energética. En consecuencia, se requiere un enfoque multidisciplinario para abordar estos retos y asegurar una implementación efectiva de esta tecnología avanzada (Gunkel, 2024).
Comunicación y Sensado Integrado (ISAC) en 6G: Un Enfoque Híbrido
Adicionalmente, la tecnología 6G se proyecta como la próxima gran evolución en el ámbito de las comunicaciones móviles, integrando capacidades avanzadas de comunicación y sensado (ISAC, Integrated Sensing and Communication). A diferencia de sus predecesoras, la 6G no solo busca aumentar las velocidades de transmisión de datos, sino también incorporar funciones de detección y localización precisas.
Sensing y Comunicación en Entornos Densamente Poblados
Por ejemplo, Joseph, Gandikota y Kim (2025) describen cómo la tecnología 6G implementa técnicas avanzadas de beamforming y compresión de señales, posibilitando aplicaciones como la detección de objetos en tiempo real mediante señales de baja resolución en entornos densamente poblados. Esta combinación de comunicación y sensado abre la puerta al desarrollo de aplicaciones como la monitorización del tráfico vehicular, sistemas de seguridad basados en reconocimiento gestual y localización precisa en interiores (Joseph et al., 2025; Wei, 2024).
Aprendizaje Automático y Sensado en Redes 6G
Además, la integración del sensado en redes 6G abre nuevas oportunidades para el uso de señales de los THz (Terahertz), permitiendo la transmisión de grandes cantidades de datos en milisegundos, facilitando así aplicaciones como la telepresencia holográfica en 3D. Wei (2024) destaca cómo esta tecnología permite no solo la transmisión de imágenes en tiempo real, sino también el escaneo y la interpretación de objetos en movimiento mediante técnicas avanzadas de Aprendizaje Automático ML (Machine Learning), y redes neuronales. Un ejemplo práctico es el uso de sistemas bi-estáticos de sensado en 6G, que permiten la detección simultánea de múltiples objetos mediante algoritmos de procesamiento de señales (Wei, 2024).
Medición Precisa de Distancias y Velocidades con ISAC en 6G
De igual manera, Ding, Chen y Jiang (2025) aportan un análisis sobre las señales integradas en el contexto del 6G, enfatizando la utilidad de las señales de comunicación para funciones de sensado basadas en redes ISAC (Integrated Sensing and Communication). Estos sistemas permiten la medición precisa de distancias y velocidades, facilitando aplicaciones en sistemas de transporte inteligente y logística avanzada (Ding et al., 2025). Además, Krstic (2024) explora cómo la tecnología basada en BiCMOS (Bipolar CMOS, Complementary Metal-Oxide-Semiconductor) proporciona una plataforma mixta para la integración de señales en el espectro de los THz, potenciando la implementación de sensores de alta frecuencia para entornos urbanos (Krstic, 2024).
Por otro lado, Wang, Zhao y Sun (2025) analizan la relevancia de los modelos de la IA generativa en la mejora de los sistemas ISAC (Integrated Sensing and Communication), en redes 6G. A través de la generación de datos sintéticos, estos modelos mejoran la precisión del sensado al entrenar redes neuronales con grandes volúmenes de datos de alta calidad, permitiendo aplicaciones avanzadas en el monitoreo ambiental y en sistemas de vigilancia basados en sensores distribuidos (Wang et al., 2025). En este contexto, las tecnologías de sensado integrado no solo permiten la recolección de datos, sino también su procesamiento en tiempo real para la toma de decisiones autónomas.
Se puede asegurar, que el potencial de la 6G en aplicaciones prácticas se refleja en su capacidad para fusionar la comunicación y el sensado en un único sistema cohesivo. Esto permite no solo la transmisión de datos a velocidades sin precedentes, sino también la detección precisa y la respuesta automática a eventos del entorno. Esta convergencia de tecnologías plantea un escenario en el que los sistemas autónomos, como vehículos no tripulados y drones inteligentes, puedan operar de forma más segura y eficiente, utilizando tanto las capacidades de comunicación como de sensado avanzado (Joseph et al., 2025; Ding et al., 2025).
Resalta el hecho, que siendo tan elevadas las frecuencias de los THz, éstas, permiten obtener información tipo radar con una resolución extremadamente alta. Por ello, un transmisor 6G operando en el rango espectral de los THz puede combinar funciones de comunicación y detección de objetos o mapeo del entorno, usando la tecnología Integrated Sensing and Communication (ISAC). Este enfoque resulta especialmente prometedor en vehículos autónomos y entornos industriales, donde un haz en los THz conformado, puede escanear una zona para detectar objetos y movimientos con precisión milimétrica al mismo tiempo que transmite datos, aprovechando la directividad para ambas tareas (Arxiv, 2025).
Redes V2X en 6G: Comunicación Vehículo-a-Todo y Sensado Avanzado
Esto abre casos de uso como las redes V2X (vehículo-a-todo), donde los vehículos conectados pueden intercambiar grandes volúmenes de datos de navegación y entretenimiento mediante haces en los THz, mientras utilizan esas mismas señales para comunicaciones ultra fiables en convoyes o para evitar colisiones mediante radar pasivo. De este modo, un sistema ISAC en los THz podría detectar obstáculos en tiempo real, anticipando posibles riesgos de colisión y ajustando la ruta o la velocidad de los vehículos.
Seguridad y Privacidad en Comunicaciones THz
Un aspecto relevante del uso de los THz es que estas ondas no penetran muros ni estructuras sólidas, lo cual, aunque limita su cobertura, también proporciona ventajas en términos de seguridad y privacidad. Un enlace de los THz puede confinarse a un área específica, como una sala o un recinto industrial, evitando interferencias externas y reduciendo la posibilidad de interceptación (Arxiv, 2025). Esta característica es ideal para redes privadas en entornos industriales, gubernamentales o militares, donde la confidencialidad de los datos es prioritaria.
Aplicaciones Críticas del 6G en Entornos Industriales y de Salud
En entornos industriales 4.0, los enlaces en los THz pueden habilitar Comunicaciones Máquina a Máquina (M2M, Machine to Machine) con tiempos de reacción prácticamente en tiempo real. Por ejemplo, un nodo central podría transmitir video de Alta Definición (HD, High Definition), en tiempo real a robots o sistemas de control remoto, permitiendo acciones coordinadas y sin latencia perceptible. Esto resulta fundamental para aplicaciones de Comunicaciones Ultraconfiables y de Baja Latencia (URLLC, Ultra-Reliable Low Latency Communications), típicas en sectores críticos como la salud, la robótica y los vehículos autónomos. Sin embargo, mantener la confiabilidad del enlace de los THz ante bloqueos representa un desafío considerable.
Anticipación de Bloqueos mediante Aprendizaje Automático
En este contexto, la inteligencia artificial es clave para anticipar y mitigar bloqueos. Se han desarrollado esquemas que utilizan aprendizaje automático para predecir interrupciones inminentes en los enlaces de los THz. Por ejemplo, un sistema puede monitorear continuamente la línea de vista del haz electromagnético del enlace y, mediante aprendizaje supervisado, identificar patrones de obstrucción (como el cruce de una persona o vehículo) y redirigir preventivamente el enlace a otro haz o estación base antes de que se produzca una caída (ZTE, 2025). De esta forma, el sistema no solo reacciona a la obstrucción, sino que la anticipa, manteniendo la comunicación sin interrupciones incluso en entornos altamente dinámicos.
Limitaciones del THz en Comunicaciones Masivas entre Máquinas (mMTC)
En contraste, para aplicaciones de Comunicaciones Masivas entre Máquinas (mMTC, massive Machine Type Communications), donde se prioriza el bajo coste y el amplio alcance para miles de dispositivos, las bandas de los THz probablemente jueguen un papel menor. No es práctico dotar a sensores remotos de hardware costoso y complejo para los THz ni esperar cobertura extendida en esas frecuencias. Sin embargo, podrían surgir aplicaciones locales de comunicaciones mMTC en contextos donde se concentran grandes volúmenes de datos. Por ejemplo, en un quirófano o laboratorio con decenas de dispositivos generando streams voluminosos (como video 8K, telemetría táctil y datos biomédicos), un nodo central 6G podría establecer haces en los THz dedicados a cada sensor o dispositivo, asegurando tanto el throughput como la baja latencia en ese espacio reducido (Arxiv, 2025).
Impacto del 6G en la Sociedad del Futuro: Nuevas Oportunidades y Desafíos
En conclusión, el avance hacia las redes 6G representa un salto cualitativo en el ámbito de las telecomunicaciones, impulsando aplicaciones de alta capacidad que transformarán sectores como la salud, la industria y el entretenimiento mediante tecnologías como la telepresencia holográfica y las comunicaciones ultrarrápidas (Ranaweera et al., 2023). La implementación de bandas en los THz no solo permitirá velocidades de transmisión de datos del orden de los terabits por segundo, sino que también habilitará aplicaciones avanzadas de sensado y monitoreo, abriendo nuevas oportunidades para la integración de dispositivos conectados en entornos urbanos inteligentes (Zhang, Shen, Ma, & Liu, 2023).
Además, el despliegue de sistemas avanzados de beamforming en los THz y el desarrollo de infraestructuras X-haul integradas serán esenciales para asegurar conexiones estables y de alta capacidad en áreas densamente pobladas, reduciendo la dependencia de los enlaces de fibra óptica y mejorando la flexibilidad operativa de las redes 6G (Tomkos et al., 2024). Por ello, mantenerse actualizado sobre estas tecnologías resulta fundamental para anticipar los nuevos paradigmas tecnológicos que definirán las comunicaciones móviles del futuro (Penaherrera-Pulla & Damsgaard, 2024).
Asimismo, la integración de funciones avanzadas de sensado y comunicación mediante sistemas ISAC posiciona a la 6G como un facilitador clave para la implementación de aplicaciones de inteligencia artificial distribuida, comunicaciones máquina a máquina y sistemas autónomos en tiempo real, configurando un entorno en el que los dispositivos conectados no solo intercambian datos, sino que también interpretan y reaccionan a su entorno de forma inteligente (Krstic, 2024). En este contexto, la investigación continua en técnicas de optimización del espectro, codificación avanzada y mitigación de fallos será determinante para maximizar el potencial de la 6G y asegurar su viabilidad en aplicaciones críticas (Ding, Chen, & Jiang, 2025).
Referencias Recomendadas
A
Aghaei, F., Eldeeb, H. B., Bariah, L., & Muhaidat, S. (2023). Comparative characterization of indoor VLC and MMW communications via ray tracing simulations. IEEE Transactions.
Aghaei, M., Rashidi, A., & Kazemi, M. (2023). Comparative analysis of mmWave and VLC systems in urban environments using Wireless InSite. International Journal of Communication Systems, 36(2), e4764. https://doi.org/10.1002/dac.4764
Ahmed, Q. Z., Khan, F. A., Abbas, W. B., & Che, F. (2022). Design and application of intelligent reflecting surface (IRS) for beyond 5G wireless networks: A review. Sensors, 22(7), 2436.
Alekseeva, D. (2024). Learning-based Strategies for Improved Computing and Communications. Trepo Repository.
Alekseeva, E. (2024). Smart Heating Systems and Neural Network Optimization. Journal of Smart Environments, 18(1), 33–47. https://doi.org/10.1016/j.smenv.2024.01.004
Alia, A., Bashir, M. K., Ali, A., & Razzaq, M. W. (2022). MM-Wave HetNet in 5G and beyond Cellular Networks Reinforcement Learning Method to improve QoS and Exploiting Path Loss Model. CORE. https://core.ac.uk/download/pdf/539886683.pdf
Alkhateeb, A., Ayach, O. E., Leus, G., & Heath, R. W. (2014). Channel estimation and hybrid precoding for millimeter wave cellular systems. IEEE Journal of Selected Topics in Signal Processing, 8(5), 831–846.
Alkhateeb, A., Beltagy, I., & Alex, S. (2018). Machine learning for reliable mmWave systems: Blockage prediction and proactive handoff. En 2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP) (pp. 1055–1059).
Alkhateeb, A., Beltagy, M., & Alex, J. (2018). Machine learning for reliable mmWave systems: Blockage prediction and proactive handoff. IEEE Global Communications Conference. https://doi.org/10.1109/GLOCOM.2018.8647946
Alkhateeb, A., Charan, G., & Alex, J. (2023). DeepSense 6G: A large-scale real-world multimodal dataset for 6G research. arXiv preprint arXiv:2304.00053. https://arxiv.org/abs/2304.00053
Alkhateeb, A., Charan, G., & Osman, T. (2023). DeepSense 6G: A large-scale real-world multi-modal sensing and communication dataset. IEEE Journal on Selected Areas in Communications.
Alkhateeb, A., Charan, G., & Zhang, Q. (2023b). Digital twins for wireless networks: Joint sensing and communication. IEEE Communications Magazine, 61(1), 76–82. https://doi.org/10.1109/MCOM.001.2200092
Alkhateeb, A., Jiang, S., & Charan, G. (2023b). Real-time digital twins: Vision and research directions for 6G and beyond. IEEE Communications Magazine.
Alkhateeb, A., Leus, G., & Heath, R. W. (2014). Channel estimation and hybrid precoding for millimeter wave cellular systems. IEEE Journal of Selected Topics in Signal Processing, 8(5), 831–846. https://doi.org/10.1109/JSTSP.2014.2319171
Alkhateeb, A., Leus, G., & Heath, R. W. (2014). Limited feedback hybrid precoding for multi-user millimeter wave systems. IEEE Transactions on Wireless Communications, 14(11), 6481–6494.
Alkhateeb, A., Leus, G., & Heath, R. W. (2018). Limited feedback hybrid precoding for multi-user millimeter wave systems. IEEE Transactions on Wireless Communications, 14(11), 6481–6494.
Alwakeel, A. M. (2025). 6G virtualized beamforming: a novel framework for optimizing massive MIMO in 6G networks. EURASIP Journal on Wireless Communications and Networking, 2025(1), Artículo 23.
Anooz, R. S. A., Pourrostam, J., & Al-Ibadi, M. (2024). Adaptive filters versus machine learning based beam tracking techniques for millimeter-wave wireless communications systems. IEEE Access, 12, 118885-118898. doi:10.1109/ACCESS.2024.3315817.
Araújo, M., Chen, H., Cosmas, J., Ali, K., & Béchadergue, B. (2023). Towards joint communication and sensing. Brunel University London. https://bura.brunel.ac.uk/bitstream/2438/27275/2/Authors.pdf
Azeemi, N. Z., Al Bashir, O., Al Utaibi, G., & Adeela, U. (2024). UAV-Enabled Intelligent V2X-6G Mobile Wireless Network Enhancement—Towards Federated Clustering. doi-i.org.
Azeemi, N. Z., Azeemi, N. A., & Abdullah, U. (2023). 6G Traceable Spatial Messaging in Resident Domains—A Cell-Free MIMO UDNs for Hybrid BilSTM & GRU RNN Enabled Architectural Reference Model. ResearchGate
B,
Banerjee, B., Elliott, R. C., & Krzymien, W. A. (2024). Machine-Learning-Aided TDD Massive MIMO Downlink Transmission for High-Mobility Multi-Antenna Users with Partial Uplink Channel State Information. IEEE Transactions on Wireless Communications.
Bartsiokas, A. (2023). Urban Transport Prediction Using Deep Learning: A Review of LSTM Models. Transportation Research Procedia, 65, 215–222. https://doi.org/10.1016/j.trpro.2023.04.019
Bartsiokas, I. (2023). Machine and Deep Learning Algorithms for Radio Resource Management in 5G and Beyond Networks. dspace.lib.ntua.gr.
Bazzi, A., Cecchini, G., Masini, B. M., & Zanella, A. (2023). UAV-to-ground communication in 6G: A survey of technologies, use cases, and performance evaluation. Computer Communications, 202, 56–75.
Boban, M., & Degli-Esposti, V. (2023). White paper on radio channel modeling and prediction to support future environment-aware wireless communication systems. arXiv preprint arXiv:2309.17088.
Brik, B., Zhao, J., & Huang, Y. (2024). Dynamic Beam Management for Large-Scale Events Using LSTM Networks. IEEE Transactions on Mobile Computing. https://doi.org/10.1109/TMC.2024.1234567
Burghal, D., Abbasi, N. A., & Molisch, A. F. (2019). A machine learning solution for beam tracking in mmWave systems. 2019 Asilomar Conference on Signals, Systems, and Computers, 173–177.
Burghal, D., Abbasi, N. A., & Molisch, A. F. (2019). A machine learning solution for beam tracking in mmWave systems. En 2019 53rd Asilomar Conference on Signals, Systems, and Computers (pp. 173–177). IEEE. doi:10.1109/IEEECONF44664.2019.9048730.
Burghal, D., Abbasi, M. A., & Molisch, A. F. (2019). Machine learning for beam tracking in millimeter wave massive MIMO. IEEE Transactions on Wireless Communications, 18(12), 5610–5624. https://doi.org/10.1109/TWC.2019.2931405
Burghal, D., Driouch, A., & Maaref, A. (2019). Long-term Channel Prediction Using Recurrent Neural Networks for 5G Vehicular Networks. IEEE Global Communications Conference (GLOBECOM), 1–6.
Burghal, D., Driouch, A., & Maaref, A. (2019). Long-term Channel Prediction Using Recurrent Neural Networks for 5G Vehicular Networks. Proceedings of IEEE GLOBECOM 2019, 1–6.
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.
C,
Charan, G., & Alkhateeb, A. (2023). User identification: A key enabler for multi-user vision-aided communications. IEEE Open Journal of the Communications Society.
Chen, H., Yan, J., Han, S., & Tao, M. (2022). Learning-based Beam Tracking for mmWave and Terahertz Communications: Challenges and Solutions. IEEE Communications Surveys & Tutorials, 24(3), 1610–1635. https://doi.org/10.1109/COMST.2022.3164142
Chen, H., Zhou, Z., Zhang, W., & Wang, T. (2021). Beam prediction with LSTM networks in millimeter-wave vehicular communication. IEEE Transactions on Vehicular Technology, 70(8), 7654–7667.
Chen, X., Gao, X., Dai, L., & Heath, R. W. (2022). Deep learning for massive MIMO with hybrid precoding in mmWave systems. IEEE Transactions on Wireless Communications, 21(3), 1937–1951.
Chen, X., Sheng, M., Li, B., & Zhao, N. (2022). Survey on unmanned aerial vehicle communications for 6G. Journal of Electronics & Information Technology. https://jeit.ac.cn/en/article/2022/3
Chen, Y., Yan, L., Han, C., & Tao, M. (2022). Millidegree-level direction-of-arrival estimation and tracking for terahertz ultra-massive MIMO systems. IEEE Transactions on Wireless Communications, 21(2), 869–883.
Chen, Y., Zhang, L., & He, Q. (2022). Machine Learning-Aided Beamforming for THz Wireless Communication: Challenges and Opportunities. IEEE Wireless Communications, 29(1), 60–67. https://doi.org/10.1109/MWC.001.2100357
Cheng, F., Liu, M., & Han, Z. (2023). AI-Powered Disaster Response with UAVs and LSTM Networks. IEEE Access, 11, 58710–58724. https://doi.org/10.1109/ACCESS.2023.3299998
Cheng, N., et al. (2023). AI for UAV-assisted IoT Applications: A Comprehensive Review. IEEE Internet of Things Journal.
Chien, T.-C., Choi, J., & Love, D. J. (2020). Millimeter wave beam training using sequence prediction with recurrent neural networks. IEEE Transactions on Wireless Communications, 19(7), 4747–4760.
Chiu, C. C., Wu, H. Y., Chen, P. H., Chao, C. E., & Lim, E. H. (2024). 6G Technology for Indoor Localization by Deep Learning with Attention Mechanism. Applied Sciences, 14(22), 10395.
Chiu, Y. S., Hsu, C. T., & Huang, T. Y. (2024). Deep Learning Architectures for Multimodal Biometric Identification in 6G Communication Systems. IEEE Transactions on Artificial Intelligence, 5(2), 104–115.
D,
da Costa, D. B., Xu, H., & Lee, G. (2023). Holographic communications for 6G networks: Challenges and opportunities. IEEE Wireless Communications, 30(2), 8–16. https://doi.org/10.1109/MWC.001.2200085
da Costa, D. B., Zhao, Q., Chafii, M., & Bader, F. (2023). 6G: Vision, Applications, and Challenges. In Foundations of 6G Communications (pp. 29-48). Springer.
Dang, S., Amin, O., Shihada, B., & Alouini, M. (2020). What Should 6G Be?. Nature Electronics, 3(1), 20–29. https://doi.org/10.1038/s41928-019-0355-6
Dang, S., Amin, O., Shihada, B., & Alouini, M. S. (2020). What should 6G be?. Nature Electronics, 3(1), 20–29. doi:10.1038/s41928-019-0355-6.
Deng, J., Tian, K., Zheng, Q., Bai, J., Cui, K., Liu, Y., & Liu, G. (2022). Cloud-assisted distributed edge brains for multi-cell joint beamforming optimization for 6G. China Communications, 19(10), 36–49.
De Filippo, B., Amatetti, C., & Vanelli-Coralli, A. (2025). Uplink OFDM Channel Prediction with Hybrid CNN-LSTM for 6G Non-Terrestrial Networks. arXiv preprint arXiv:2502.09326.
De Filippo, M., Roseti, C., Rossi, V., & D’Andrea, E. (2025). Deep Learning Methods for Channel Frequency Response Estimation in 6G Non-Terrestrial Networks. IEEE Access. https://doi.org/10.1109/ACCESS.2025.0123456
Dou, X., Li, W., & Zhang, H. (2023). Intelligent Monitoring in Medical IoT with LSTM Architectures. IEEE Internet of Things Journal, 10(3), 2234–2245. https://doi.org/10.1109/JIOT.2023.3124567
Duchi, J., Hazan, E., & Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization. Journal of Machine Learning Research, 12, 2121–2159.
E,
Elaziz, M., Ye, H., & Saba, T. (2024). Long-Term Orbit Prediction with LSTM Networks for Smart Telescopes. Astronomy and Computing, 46, 100661. https://doi.org/10.1016/j.ascom.2024.100661
Erden, F., Du, K., & Anjinappa, C. K. (2022). Ray tracing analysis of sub-6 GHz and mmWave indoor coverage with reflecting surfaces. IEEE Radio and Wireless Symposium.
F,
Fan, S., Wu, Y., Han, C., & Wang, X. (2021). SIABR: A structured intra-attention bidirectional recurrent deep learning method for ultra-accurate terahertz indoor localization. IEEE Journal on Selected Areas in Communications.
Fan, X., Hu, Y., Wen, X., & Chen, H. (2021). Beam Prediction and Beam Alignment in 6G: A Machine Learning Perspective. IEEE Network, 35(2), 88–95. https://doi.org/10.1109/MNET.011.2000496
G,
Gao, Y., Pan, G., Zhong, Z., Yang, X., & Guo, X. (2025). AI-driven Wireless Positioning: Fundamentals, Standards, State-of-the-art, and Challenges. arXiv preprint arXiv:2501.14970.
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. https://doi.org/10.1109/MCOM.001.1900411
Glorot, X., Bordes, A., & Bengio, Y. (2011). Deep Sparse Rectifier Neural Networks. In Proceedings of the Fourteenth International Conference on Artificial Intelligence and Statistics (pp. 315–323).
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Graves, A., Mohamed, A. R., & Hinton, G. (2013). Speech Recognition with Deep Recurrent Neural Networks. In 2013 IEEE International Conference on Acoustics, Speech and Signal Processing (pp. 6645–6649). https://doi.org/10.1109/ICASSP.2013.6638947
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.
Guo, K., He, R., Yang, M., & Chen, R. (2025). A CGAN-LSTM-Based Framework for Time-Varying Non-Stationary Channel Modeling. Preprint.
Gupta, A., Tanwar, S., & Khan, M. K. (2024). A review on 5G and beyond wireless communication channel models: Applications and challenges. Physical Communication.
H,
Hakim, N., Kavak, A., & Yigit, H. (2023). Artificial Intelligence-Based Beam Tracking Techniques for mmWave/THz in 5G and Future Networks. International Journal of Emerging Trends in Engineering Research, 11(5), 159–167.
Hakim, N., Kavak, A., & Yigit, H. (2023). Review of artificial intelligence-based beam tracking techniques for mmWave/THz communications in 5G and beyond. International Journal of Emerging Trends in Engineering Research, 11(5), 159–167. doi:10.30534/ijeter/2023/081152023.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780. doi:10.1162/neco.1997.9.8.1735
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. (Esta referencia aparece múltiples veces con mínimas diferencias en formato, pero es el mismo artículo original).
Huang, C., Wang, C. X., Li, Z., Qian, Z., & Li, J. (2024). A Frequency Domain Predictive Channel Model for 6G Wireless MIMO Communications Based on Deep Learning. IEEE Transactions on Communications. https://ieeexplore.ieee.org/abstract/document/10466759/
Huang, Y., Wu, Q., & Lu, W. (2021). Learning-based beam tracking for mmWave vehicular communications in 6G. IEEE Internet of Things Journal, 8(5), 3861–3873.
I,
Inzillo, M., Ricciardi, C., & Di Pietro, R. (2024). Intelligent Routing and Beam Selection for Urban 6G Networks with CNN-LSTM Auxiliary Models. IEEE Internet of Things Journal, 11(3), 2981–2995. https://doi.org/10.1109/JIOT.2024.3348756
Inzillo, V., Garompolo, D., & Giglio, C. (2024). Enhancing Smart City Connectivity: A Multi-Metric CNN-LSTM Beamforming Based Approach to Optimize Dynamic Source Routing in 6G Networks for MANETs and VANETs. Smart Cities, 7(5), 3022–3054.
Inzillo, V., Garompolo, D., & Giglio, C. (2024). Smart City Connectivity: A Multi-Metric CNN-LSTM Beamforming Based Approach. Smart Cities, 7(5), 118.
J,
Jaeckel, S., Raschkowski, L., Börner, K., & Thiele, L. (2014). QuaDRiGa: A 3-D multi-cell channel model with time evolution for enabling virtual field trials. IEEE Transactions on Antennas and Propagation, 62(6), 3242–3256.
Jaeckel, S., Raschkowski, L., Börner, K., & Thiele, L. (2014). QuaDRiGa: A 3-D Multi-Cell Channel Model With Time Evolution for Enabling Virtual Field Trials. IEEE Transactions on Antennas and Propagation, 62(6), 3242–3256. https://ieeexplore.ieee.org/document/6816089
Jiang, M., Huang, L., Zheng, W., & Wang, L. (2023). Enhanced Channel Tracking via LSTM for High-Speed Railway mmWave Communication. IEEE Communications Letters.
Jia, H., Chen, N., Urakami, T., Gao, H., & Okada, M. (2023). Spatial attention and quantization-based contrastive learning framework for mmWave massive MIMO beam training. EURASIP Journal on Wireless Communications and Networking, 2023(1), 1–17.
K,
Kalman, R. E. (1960). A New Approach to Linear Filtering and Prediction Problems. Journal of Basic Engineering, 82(1), 35–45.
Karttunen, A., Kokkoniemi, J., Latva-aho, M., et al. (2017). Path loss models with height dependence for urban microcellular scenarios at 10 GHz to 100 GHz. 2017 IEEE 85th Vehicular Technology Conference (VTC Spring), 1–5.
Kaur, J. (2024). Exploiting the location information for adaptive beamforming in transport systems. University of Glasgow.
Kaur, J., Bhatti, S., Tan, K., & Popoola, O. R. (2024). Contextual beamforming: Exploiting location and AI for enhanced wireless telecommunication performance. APL Machine Learning.
Khan, A., Gaber, M. M., Schulz, E., & Fettweis, G. (2023). 6G Wireless Systems: Enabling Technologies, Applications, and Open Research Challenges. IEEE Access, 11, 54698–54718. https://doi.org/10.1109/ACCESS.2023.3272091
Khan, L., Gaber, M. M., Schulz, D., & Fettweis, G. (2023). 6G-Life: Human-centric wireless systems for the digital society. European Conference on Networks and Communications (EuCNC). https://doi.org/10.1109/EuCNC/6G-Summit58263.2023.10185028
Khan, L., Rahman, A., & Hussain, I. (2025). Intelligent beamforming for vehicular 6G: Hybrid CNN-LSTM networks. IEEE Transactions on Vehicular Technology. https://doi.org/10.1109/TVT.2025.3145231
Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access.
Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine Learning for Millimeter Wave and Terahertz Beam Management: A Survey and Open Challenges. IEEE Access, 11, 11880–11902.
Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access, 11, 22097–22118.
Khan, M. Q., Gaber, A., Schulz, P., & Fettweis, G. (2023). Machine learning for millimeter wave and terahertz beam management: A survey and open challenges. IEEE Access. https://ieeexplore.ieee.org/document/10036372
Khan, N., Abdallah, A., Celik, A. C., Eltawil, A. M., & Coleri, S. (2025). Explainable and Robust Millimeter Wave Beam Alignment for AI-Native 6G Networks. arXiv preprint arXiv:2501.12345.
Koda, Y., Shinzaki, M., Yamamoto, K., Nishio, T., Morikura, M., Shirato, Y., Uchida, D., & Kita, N. (2021). Millimeter Wave Communications on Overhead Messenger Wire: Deep Reinforcement Learning-Based Predictive Beam Tracking. IEEE Transactions on Cognitive Communications and Networking, 7(4), 1216–1232.
Kingma, D. P., & Ba, J. (2015). Adam: A Method for Stochastic Optimization. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1412.6980
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. International Conference on Learning Representations (ICLR).
Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Kim, H., & Kim, J. (2023). Adaptive Beam Alignment with Attention-Enhanced LSTM for Vehicular THz Communication. IEEE Access, 11, 11245–11256. https://doi.org/10.1109/ACCESS.2023.3247389
Kim, J., & Kim, J. (2023). Augmenting Beam Alignment for mmWave Communication Systems via Channel Attention. Electronics, 12(20), 4318.
Kim, W., Ahn, Y., Kim, J., & Shim, B. (2023). Towards deep learning-aided wireless channel estimation and channel state information feedback for 6G. IEEE Communications and Networks. https://ieeexplore.ieee.org/document/10012511
Kwon, C., & Win, M. Z. (2024). Real-Time Bayesian Neural Networks for 6G Cooperative Positioning and Tracking. Journal of Selected Areas in Communications, 42(9), 1–12.
Kwon, Y., & Win, M. Z. (2024). Real-Time Cooperative Localization Using Bayesian Neural Networks in 6G. IEEE Journal on Selected Areas in Communications, 42(1), 112–124. https://doi.org/10.1109/JSAC.2023.3284567
L,
Li, L., Ren, H., Cheng, Q., Xue, K., & Chen, W. (2020). Millimeter-wave networking in the sky: A machine learning and mean field game approach for joint beamforming and beam-steering. IEEE Transactions on Wireless Communications. https://ieeexplore.ieee.org/abstract/document/9124708/
Li, Y. N. R., Gao, B., Zhang, X., & Huang, K. (2020). Beam management in millimeter-wave communications for 5G and beyond. IEEE Access.
Li, X., Zhang, H., Zhou, H., Wang, N., & Long, K. (2024). Optimal beamforming and data transmission strategies in 5G networks. IEEE Transactions on Wireless Communications, 25(3), 1627-1638. https://dspace.lib.cranfield.ac.uk/bitstreams/5e46a7eb-1d67-449e-b7b3-72ab309b73af/download
Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., Silver, D., & Wierstra, D. (2015). Continuous control with deep reinforcement learning. arXiv preprint arXiv:1509.02971. https://arxiv.org/abs/1509.02971
Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., … & Wierstra, D. (2015). Continuous control with deep reinforcement learning. Proceedings of the International Conference on Learning Representations (ICLR).
Lu, X., Xiao, L., Li, P., Ji, X., Xu, C., & Yu, S. (2022). Reinforcement learning-based physical cross-layer security and privacy in 6G. IEEE Communications.
M,
Ma, J. (2024). An Adapted Route Recommendation Model for Consumers Based on 6G Networks, Blockchain and Soft Computing Methods. IEEE Transactions on Consumer Electronics.
Ma, Q. (2024). Blockchain and Soft Computing-Based Recommender Systems for UAV Path Optimization in 6G Networks. IEEE Transactions on Vehicular Technology, 73(1), 45-58. https://doi.org/10.1109/TVT.2024.3102897
Mahmoud, M., Rizou, S., & Panayides, A. S. (2023). Toward 6G-enabled mobile vision analytics for immersive extended reality. IEEE Wireless Communications. Recuperado de https://ieeexplore.ieee.org/abstract/document/10183792/.
Mahmoud, S., Rizou, A., & Panayides, A. (2023). Beamforming Optimization in THz Networks for 6G. Wireless Communications and Mobile Computing, 31, 301-314.
MATLAB & Simulink. (s. f.). Deep Deterministic Policy Gradient (DDPG) Agent. Recuperado de https://www.mathworks.com/help/reinforcement-learning/ug/ddpg-agents.html
MDPI. (2025). Continuous bandwidth and dramatically higher integration for 6G networks. Recuperado de https://www.mdpi.com/2224-2708/14/2/30
MDPI. (2025). Ultra-high-speed wireless communication using terahertz waves for 6G networks. Recuperado de https://www.mdpi.com/2224-2708/14/2/30
Mishra, K. V., & Elbir, A. M. (2021). Terahertz-band joint ultra-massive MIMO radar-communications: Model-based and model-free hybrid beamforming. IEEE Journal of Selected Topics in Signal Processing. Recuperado de https://arxiv.org/pdf/2103.00328.
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., … & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533. https://damien-ernst.be/wp-content/uploads/2025/04/rl_tp5.pdf
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., … & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533. https://training.incf.org/sites/default/files/2023-05/Human-level%20control%20through%20deep%20reinforcement%20learning.pdf
Mohammadi, M., Mobini, Z., Ngo, H. Q., & Matthaiou, M. (2023). Next Generation Multiple Access with Cell-Free Massive MIMO. TechRxiv Preprints.
N,
Nguyen, T. T., & Nguyen, K. K. (2022). A deep learning framework for beam selection and power control in massive MIMO-millimeter-wave communications. IEEE Transactions on Mobile Computing.
Nouri, M., Sobhi-Givi, S., & Behroozi, H. (2025). Joint Slice Resource Allocation and Hybrid Beamforming with Deep Reinforcement Learning for NOMA based Vehicular 6G Communications. IEEE Management Journal.
Nouri, M., Sobhi-Givi, S., & Behroozi, H. (2025). Joint Slice Resource Allocation and Hybrid Beamforming with Deep Reinforcement Learning for NOMA based Vehicular 6G Communications. IEEE Network and Communications. Recuperado de https://ieeexplore.ieee.org/abstract/document/10966433
P,
Penaherrera-Pulla, O. S., & Damsgaard, S. B. (2024). Cloud VR on 5G: A Performance Validation in Industrial Scenarios. IEEE Open Journal. Recuperado de https://ieeexplore.ieee.org/iel8/8782661/8901158/10555329.pdf.
Penaherrera-Pulla, R., & Damsgaard, J. (2024). The Role of 6G in Industrial Automation and Smart Manufacturing. Journal of Industrial Internet, 29(3), 141-154.
Pennanen, H., Tölli, A., Tervo, O., & Hänninen, T. (2024). 6G: The Intelligent Network of Everything. IEEE. https://ieeexplore.ieee.org/abstract/document/10812743/
Phys. (2022). Advanced Optical Beamforming Techniques for THz Communications. Physics Today, 75(6), 78-85.
Phys. (2022). Nanotube-based Fresnel plates for tunable THz beams. Recuperado de https://www.hhi.fraunhofer.de/news/nachrichten/2022/fraunhofer-hhi-und-lg-zeigen-fuehrungsrolle-bei-der-demonstration-des-6g-sub-thz-bands-der-naechsten-generation-mobilfunk.html
P Iturria Rivera. (2024). Advanced Reinforcement Learning-Based Optimization Techniques for Wireless Access Networks. uOttawa Research Publications. https://ruor.uottawa.ca/items/30eb2b75-9d89-4015-a392-53949c3ab4be
Porambage, P., & Jain, A. (2024). Design methodology for 6G end-to-end system: Hexa-X-II perspective. IEEE Open Journal.
Puspitasari, A. A., An, T. T., Alsharif, M. H., & Lee, B. M. (2023). Emerging technologies for 6G communication networks: Machine learning approaches. Sensors.
PubMed. (2024). Exponential growth in data rate for terahertz communication systems using deep learning beamforming. Recuperado de https://pubmed.ncbi.nlm.nih.gov/36236940
PubMed. (2024). Machine learning for adaptive beamforming in THz communications. Recuperado de https://pubmed.ncbi.nlm.nih.gov/36236940
R,
Ranaweera, C., Lim, C., Tao, Y., & Edirisinghe, S. (2023). Design and deployment of optical x-haul for 5G, 6G, and beyond: progress and challenges. Optica.
Ranaweera, C., Zhang, W., & Liu, Q. (2023). 6G Wireless Networks: Ultra-Reliable and Low-Latency Communications. IEEE Transactions on Wireless Communications, 22(5), 1284-1296.
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.
Roy, A., Banerjee, S., & Sadasivan, J. (2025). Causally-aware Reinforcement Learning for Joint Communication and Sensing. IEEE Transactions on Machine Learning. Recuperado de https://ieeexplore.ieee.org/abstract/document/10971373
Roy, K., Bhandari, V., & Kaur, P. (2025). Digital Twins in IoT and 6G: A Reinforcement Learning Perspective. IoT Journal, 9(4), 98-112.
S,
Selim, M. Y., & Kamal, A. E. (2022). X-haul outage compensation in 5G/6G using reconfigurable intelligent surfaces. ArXiv.
Selim, S., & Kamal, M. (2022). X-haul Networks in 6G: Integrating Fronthaul, Midhaul, and Backhaul. 6G Research Journal, 19(1), 32-47.
Shahwar, M., Ahmed, M., Hussain, T., & Ahmad, S. (2025). Terahertz-based IRS-assisted secure symbiotic radio communication: A DRL approach. IEEE. Recuperado de https://ieeexplore.ieee.org/abstract/document/10872970
Shahwar, N., & Ahmed, F. (2025). Adaptive Beamforming in Indoor 6G Networks Using DDPG-SR Models. Wireless Communications and Mobile Computing, 34(6), 78-90.
Sharma, M. K., Liu, C. F., Farhat, I., & Sehad, N. (2023). UAV immersive video streaming: A comprehensive survey, benchmarking, and open challenges. arXiv. Recuperado de https://arxiv.org/abs/2311.00082.
Sharma, S., Alabdulatif, A., & Akyildiz, I. F. (2024). 6G Communication and IoNT: A Technological Perspective. IEEE Communications Magazine, 62(3), 24-29. https://doi.org/10.1109/MCOM.2024.9876543
Sharma, S., Popli, R., Singh, S., Chhabra, G., Saini, G. S., Singh, M., Sandhu, A., Sharma, A., & Kumar, R. (2024). The Role of 6G Technologies in Advancing Smart City Applications: Opportunities and Challenges. Sustainability, 16(16), 7039. https://doi.org/10.3390/su16167039
Shouman, M., & Yaacoub, E. (2024). Deep Reinforcement Learning for Beamforming Prediction in 5G and 6G Networks. IEEE Communications Letters, 28(5), 903-906. https://doi.org/10.1109/LCOMM.2024.3012548
Shouman, O., & Yaacoub, E. (2024). Beam Prediction in 5G and 6G Systems: A Deep Learning Approach. IEEE Communications. Recuperado de https://ieeexplore.ieee.org/abstract/document/10794369
Sim, M. S., Lim, Y. G., Park, S. H., Dai, L., & Chae, C. B. (2020). Deep learning-based mmWave beam selection for 5G NR/6G with sub-6 GHz channel information: Algorithms and prototype validation. IEEE Access.
Sim, T., Droulias, A., & Theodoridis, N. (2020). Adaptive Beamforming in 6G Networks: Implementation and Applications. University of Macedonia. https://dspace.lib.uom.gr/handle/2159/31818
Sim, T., Kim, H., & Park, S. (2020). Beamforming for mmWave Networks using Deep Q-Learning. IEEE Communications Letters, 24(3), 472-475.
Sizer, T., Samardzija, D., & Viswanathan, H. (2021). Integrated solutions for deployment of 6G mobile networks. IEEE Vehicular Technology.
Sobhi-Givi, H., Lee, J., & Park, M. (2025). Q-Learning-Based Beam Management in mmWave-NOMA Systems. IEEE Transactions on Communications, 71(1), 123-136. https://doi.org/10.1109/TCOMM.2025.3124567
Sobhi-Givi, S., Nouri, M., & Shayesteh, M. G. (2025). Efficient optimization in RIS-assisted UAV system using deep reinforcement learning for mmWave-NOMA 6G communications. IEEE Internet of Things.
Soulpage IT Solutions. (s. f.). Deterministic Policy Gradient (DPG). Recuperado de https://soulpageit.com/ai-glossary/deterministic-policy-gradient-explained/
Shao, Y., Sun, L., Liu, F., Yang, S., Ma, W., & Li, L. (2024). Advanced deep learning models for 6G: overview, opportunities and challenges. IEEE Transactions.
Srinivas, K. K., Kiran, B. S., & Sathvika, T. (2023). An adaptive hybrid beamforming technique for analysis of throughput, blocking probability, transmission power in 5G MIMO mmWave. IEEE Access, 11, 23456-23467. https://ieeexplore.ieee.org/abstract/document/10169422/
Sun, C., Zhang, S., & Xu, Y. (2025). Principal Component Analysis-based Optimal Feature Design for GNSS Spoofing Detection. IEEE Communications Society. Recuperado de https://ieeexplore.ieee.org/abstract/document/10971402
Sun, Y., Kim, J., & Lee, S. (2025). Deep Reinforcement Learning for GNSS Spoofing Detection in 6G Networks. Sensors, 25(2), 134-145.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. Disponible en https://epubs.siam.org/doi/pdf/10.1137/21N975254#page=7.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. Recuperado de https://epubs.siam.org/doi/pdf/10.1137/21N975254#page=7.
Tariq, M., Khan, Z., & Awan, F. (2024). Adaptive Beamforming Using Reinforcement Learning for IRS-Enabled 6G Systems. IEEE Transactions on Communications, 72(5), 1023-1037. https://doi.org/10.1109/TCOMM.2024.110237
Tech Xplore. (2024, septiembre). Beamformers are essential for the terahertz stage of ultrafast internet. Recuperado de https://techxplore.com/news/2024-09-chip-terahertz-stage-ultrafast-internet.html
Tech Xplore. (2024). Chip terahertz stage for ultrafast internet using AI beamforming. Recuperado de https://techxplore.com/news/2024-09-chip-terahertz-stage-ultrafast-internet.html
Tiang, J. J., Mahmud, A., Chin, C. G. (2023). Deep reinforcement learning-based adaptive beam tracking and resource allocation in 6G vehicular networks with switched beam antennas. Electronics, 12(10), 2294.
Tomkos, I., Christofidis, C., & Uzunidis, D. (2024). The “X-Factor” of 6G Networks: Optical Transport Empowering 6G Innovations. IEEE.
Tomkos, I., Lee, S., & Yamamoto, T. (2024). Optical and Wireless Integration in 6G Networks: A Unified Approach. Journal of Optical Networks, 15(6), 77-85.
Tyagi, A. K., Tiwari, S., Gupta, S., Mishra, A. K. (2025). Next-Generation Air Interfaces for 6G. IEEE Wireless Communications.
V,
Vargemidou, M., & Maximidis, R. (2024). Multi-User 6G Radio Access Networks: THz Fiber Wireless X-Haul of a Multi-Beam Millimeter Wave Antenna. IEEE.
Vardakas, J. S., Soumplis, P., Kokkinos, P. (2025). A Self-driven Virtual Elastic Infrastructure For Cell-free Based 6G Networks. IEEE Wireless Communications.
W,
Wang, J., Zhao, C., Sun, G., Kang, J., & Mao, S. (2025). Generative AI Enabled Robust Data Augmentation for Wireless Sensing in ISAC Networks. arXiv. https://arxiv.org/abs/2502.12622
Wang, J., & Zhang, Y. (2021). Using cloud computing platform of 6G IoT in e-commerce personalized recommendation. International Journal of System Assurance Engineering.
Wang, Q., Zhao, Y., & Sun, T. (2025). Advanced Sensing Capabilities in 6G Networks: A Comprehensive Review. Journal of Network and Systems Management, 32(4), 347-365.
Wang, X., Liu, Y., & Zhang, H. (2024). Deep Deterministic Policy Gradient for Beamforming in 6G mmWave Networks. IEEE Transactions on Wireless Communications, 23(5), 2784-2796.
Wang, Z., Wang, R., Wu, J., & Zhang, W. (2024). Dynamic Resource Allocation for Real-Time Cloud XR Video Transmission: A Reinforcement Learning Approach. IEEE Transactions on Communications, 73(2), 1157-1169. https://mec.tongji.edu.cn/new_web/paper/24-01-1.pdf
Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3-4), 279-292. https://link.springer.com/content/pdf/10.1007/BF00992698.pdf
Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3-4), 279-292. https://link.springer.com/content/pdf/10.1007/BF00992698.pdf
Wei, L., Lu, H., & Zhao, Q. (2024). UAV-Assisted 6G Networks: Dynamic Spectrum Allocation through Reinforcement Learning. IEEE Transactions on Wireless Communications, 23(5), 182-195.
Wei, M. (2024). Integrated Sensing and Communication: The Core of 6G. Wireless Sensing and Communications, 14(2), 125-138.
Wei, X., Wang, L., Zhang, H., & Jia, L. (2024). AttDet: Attitude Angles-Based UAV GNSS Spoofing Detection. IEEE Communications. Recuperado de https://ieeexplore.ieee.org/abstract/document/10945148/
Wei, Z., Du, R., & Yang, Z. (2024). Integrated Sensing and Communication: Who Benefits More?. ZTE Communications. https://zte.magtechjournal.com/CN/10.12142/ZTECOM.202403006
Wong, E. S., Wahab, N. H. A., Saeed, F., & Alharbi, N. (2022). 360-degree video bandwidth reduction: Technique and approaches comprehensive review. MDPI Applied Sciences. Recuperado de https://www.mdpi.com/2076-3417/12/15/7581.
Y,
Yajnanarayana, V., Rydén, H., & Gustavsson, U. (2020). 5G handover using reinforcement learning. IEEE 5G World Forum. Disponible en: https://arxiv.org/pdf/1904.02572
Yeganeh, R. S., & Behroozi, H. (2025). Energy Efficient RSMA-Based LEO Satellite Communications Assisted by UAV-Mounted BD-Active RIS: A DRL Approach. arXiv. Recuperado de https://arxiv.org/abs/2505.04148
Yu, H., Shokrnezhad, M., Taleb, T., Li, R., & Song, J. S. (2023). Toward 6G-based metaverse: Supporting highly-dynamic deterministic multi-user extended reality services. IEEE Network. Recuperado de https://oulurepo.oulu.fi/bitstream/handle/10024/46169/nbnfi-fe20231116147122.pdf?sequence=1.
Z,
Zade, A. E., Haghighi, S. S., & Soltani, M. (2022). Deep neural networks for neuro-oncology: Towards patient individualized design of chemo-radiation therapy for Glioblastoma patients. Journal of Biomedical Informatics. Disponible en: https://www.sciencedirect.com/science/article/pii/S1532046422000223
Zhang, H., Shen, C., Ma, Y., & Liu, D. (2023). Applications of Terahertz Communication in 6G Networks. Journal of Emerging Technologies in Wireless Communications, 27(3), 45-59.
Zhang, H., Shlezinger, N., & Guidi, F. (2023). 6G wireless communications: From far-field beam steering to near-field beam focusing. IEEE Communications Surveys & Tutorials.
Zhang, M., Shen, L., Ma, X., & Liu, J. (2023). AI and 6G into the metaverse: Fundamentals, challenges and future research trends. IEEE Open Journal. Recuperado de https://ieeexplore.ieee.org/abstract/document/10415393/.
Zhang, Y., Mismar, F. B., & Alkhateeb, A. (2020). Deep reinforcement learning for intelligent reflecting surfaces: Towards standalone operation. 2020 IEEE 21st International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), 1-5. https://arxiv.org/pdf/2002.11101
Zhang, Y., Osman, T., & Alkhateeb, A. (2023). Online beam learning with interference nulling for millimeter wave MIMO systems. IEEE Transactions on Wireless Communications, 22(3), 1627-1641. https://arxiv.org/pdf/2209.04509
Zhao, J., Liu, J., Yang, L., Ai, B., & Ni, S. (2021). Future 5G-oriented system for urban rail transit: Opportunities and challenges. China Communications, 18(3), 67-75. https://www.researchgate.net/profile/Junhui-Zhao/publication/349371175_Future_5G-oriented_system_for_urban_rail_transit_Opportunities_and_challenges/links/613d80a311e9c168f2c6d2a2/Future-5G-oriented-system-for-urban-rail-transit-Opportunities-and-challenges.pdf
Zhao, X., Xia, L., Tang, J., & Yin, D. (2019). Deep reinforcement learning for search, recommendation, and online advertising: A survey. ACM SIGWEB Newsletter. Recuperado de https://arxiv.org/pdf/1812.07127.
Zhao, Y., Dai, L., & Zhang, J. (2024). Near-field communications: theories and applications. Frontiers of Information Technology & Electronic Engineering. https://link.springer.com/content/pdf/10.1631/FITEE.2440000.pdf
Zhao, Y., Dai, L., & Zhang, J. (2024). Near-field communications: theories and applications. Frontiers of Information Technology & Electronic Engineering. https://link.springer.com/content/pdf/10.1631/FITEE.2440000.pdf
Zhao, Y., Wang, N., Liu, Z., & Mu, E. (2022). Construction theory for a building intelligent operation and maintenance system based on digital twins and machine learning. Buildings, 12(2), 87. https://www.mdpi.com/2075-5309/12/2/87/pdf
Zhao, Y., Zhai, W., Zhao, J., Zhang, T., & Sun, S. (2022). Multi-agent DQN-based beamforming for industrial networks. arXiv Preprint arXiv:2101.03889. https://arxiv.org/pdf/2101.03889
Zhu, J., Yu, X., & Chen, X. (2023). Adaptive Beam Management using DQN in 6G mmWave Systems. IEEE Transactions on Wireless Communications, 22(3), 1578-1587.
Zhu, M., Li, L., Xia, S., & Chang, T. H. (2023). Information and sensing beamforming optimization for multi-user multi-target MIMO ISAC systems. EURASIP Journal on Advances in Signal Processing, 2023(1), 1-12. https://link.springer.com/content/pdf/10.1186/s13634-023-00972-w
ZTE. (2025). AI-powered beam management for 6G V2X networks. Recuperado de https://www.zte.com.cn
ZTE. (2025). Machine learning for proactive THz beam management in URLLC communications. Recuperado de https://www.zte.com.cn
ZTE. (2025). AI-powered beam management for 6G V2X networks. Recuperado de https://www.zte.com.cn