4.7- Tecnologías emergentes para predicción de haces en 6G: conectividad inteligente del futuro

Por: Anne Marie Madoni

Revisar literatura recomendada

08/05/2025

Atletas del Futuro: Conectividad, Precisión y Hologramas

Como una forma de introducir las tecnologías que exploraremos en este artículo, imaginemos el corazón vibrante de un Parque Deportivo de Alto Rendimiento en un futuro cercano. Las atletas ejecutan sus maniobras sabiendo que cada movimiento es anticipado por un sistema de predicción basado en redes de Memoria a Largo Corto Plazo (LSTM, Long Short-Term Memory) y aprendizaje automático contextual (Alrabeiah & Alkhateeb, 2019).

Vestidas con exotrajes equipados con sensores de Unidades de Medición Inercial (IMU, Inertial Measurement Unit) y módulos 6G, transmiten datos en tiempo real a las estaciones base. Allí, modelos de predicción de haces ajustan al instante la dirección de las señales electromagnéticas, evitando bloqueos provocados por la velocidad y la constante movilidad (Rappaport et al., 2013).

Sobre ellas, drones silenciosos orbitan como centinelas, equipados con Superficies Inteligentes Reflectantes (IRS, Intelligent Reflecting Surface) y sistemas LIDAR de alta resolución (Light Detection and Ranging). No solo capturan imágenes 3D en tiempo real: alimentan los algoritmos de conciencia situacional de la red, ajustando dinámicamente los haces según las trayectorias predichas (Yang et al., 2020; Liu et al., 2020). Cada salto sobre las rampas futuristas no es solo una acrobacia física: es un evento digital coordinado a través de la Comunicación Inteligente Integrada (IIC, Intelligent Integrated Communication), donde la red 6G gestiona de forma autónoma los recursos en milisegundos (Yettefagh, 2025).

Desde las gradas, el público —equipado con visores de Realidad Extendida (XR, Extended Reality)— sigue la competencia desde múltiples ángulos, creados por gemelos digitales simulados en plataformas como Unity 3D y Wireless Insite. Estas herramientas modelan la propagación de señales de ondas mmWave y de los THz para ofrecer transmisiones fluidas y envolventes (Remcom, 2023; Medeiros et al., 2023). El asombro y la emoción son palpables en el aire.

Mientras tanto, un robot árbitro conectado mediante Superficies Inteligentes Reconfigurables (RIS, Reconfigurable Intelligent Surface) y sensores de Comunicación Dedicada de Corto Alcance (DSRC) interpreta el entorno y ajusta de manera predictiva las reglas del juego. Las decisiones se proyectan en paneles holográficos con latencia ultra baja, transformando cada fallo y cada anotación en un espectáculo visual inmediato (Bhattacharya et al., 2024).

Finalmente, robots de soporte reconfiguran en tiempo real las pistas y rampas, basando sus decisiones en análisis predictivos generados por la plataforma CAVIAR (Connected and Autonomous Vehicles with Artificial Intelligence-driven Advanced network simulator). Esta simula la propagación de señales y aplica aprendizaje profundo para prevenir cuellos de botella en la red, asegurando así que el espectáculo nunca se detenga (Murroni et al., 2023).

En cada rincón del parque, desde el vuelo preciso de los drones hasta la vibración de las pantallas holográficas, se respira una fusión perfecta entre la destreza humana, la inteligencia artificial y una conectividad ubicua.

Tecnologías emergentes para la predicción de haces en redes 6G: un salto hacia la conectividad inteligente del futuro

En la actualidad, la evolución hacia las redes móviles de sexta generación (6G) marca un punto de inflexión en la historia de las telecomunicaciones. A medida que aumentan las demandas de velocidad, latencia mínima y capacidad de conexión masiva, el uso de frecuencias de ondas milimétricas (mmWave) y terahercios (THz) se convierte en un componente imprescindible para satisfacer estas necesidades. Sin embargo, la gestión eficiente de estas bandas, altamente direccionales y sensibles a obstáculos, plantea desafíos significativos que han impulsado la innovación tecnológica. En este contexto, tecnologías como la predicción de haces basada en Aprendizaje Automático (ML) emergen como soluciones prometedoras, permitiendo una conectividad más eficiente, robusta y adaptativa (Zhang, Alrabeiah & Alkhateeb, 2021; Rappaport et al., 2013).

El aprendizaje automático como eje en la gestión de haces en redes móviles 6G

Por consiguiente, el uso de aprendizaje automático ML no se limita únicamente a la reducción del coste computacional en la gestión de haces, sino que redefine la forma en que se concibe la conectividad móvil. A través de la incorporación de información contextual, como la ubicación del equipo de usuario (UE, User Equipment), orientación, o la Información del Estado del Canal (CSI, Channel State Information), es posible entrenar modelos que anticipen con alta precisión los haces más adecuados. Esta capacidad no solo mejora la calidad de la señal en tiempo real, sino que también permite una asignación anticipativa de recursos, esencial en entornos densamente poblados y altamente móviles (Alrabeiah & Alkhateeb, 2019; Siddiky, Rahman & Uzzal, 2024).

Sensores inteligentes y conciencia situacional en entornos móviles 6G

Además, la integración de sensores como radar, lidar y tecnologías como la Comunicación Dedicada de Corto Alcance (DSRC, Dedicated Short-Range Communications) amplifica el alcance de estas soluciones predictivas. Estas fuentes de datos enriquecen la conciencia situacional del sistema, permitiendo que la red responda con mayor precisión a los cambios ambientales y de movilidad. De esta manera, se configura un ecosistema de comunicaciones móviles que no solo transmite datos, sino que también interpreta el entorno y actúa en consecuencia, una característica indispensable para aplicaciones como vehículos autónomos, ciudades inteligentes e infraestructura crítica (Bhattacharya et al., 2024; Xu et al., 2022).

Validación de modelos de predicción mediante simulaciones realistas

Por otra parte, el uso de simulaciones avanzadas mediante herramientas como Wireless Insite ha demostrado ser esencial para validar los modelos de predicción en escenarios urbanos complejos. Estas simulaciones, que consideran estructuras físicas, trayectorias de vehículos y elementos de reflexión, proporcionan una base empírica sólida para la mejora continua de los algoritmos. En consecuencia, se fortalece la confianza en la capacidad de estas tecnologías para operar en condiciones reales, un paso vital para su adopción a gran escala (Remcom, 2023; Tan et al., 2024).

Simulación avanzada para el futuro 6G: Wireless Insite en acción

Resulta esencial comprender, que el simulador Wireless InSite es una herramienta computacional avanzada desarrollada por la empresa Remcom, destinada al modelado tridimensional de propagación de ondas electromagnéticas en entornos complejos. Esta solución permite la evaluación precisa de canales de comunicación inalámbrica considerando reflexiones múltiples, difracciones, y fenómenos de dispersión, elementos todos fundamentales en el análisis de las redes móviles de sexta generación (6G), cuya operatividad se basa en frecuencias extremadamente altas, como las ondas milimétricas y de los terahercios (Shafik, 2024).

Adicionalmente, conviene destacar que el funcionamiento de Wireless InSite se basa en algoritmos como el Método de Trazado de Rayos Geométrico, (GRT, Geometric Ray-Tracing) y el Método de Difracción Uniforme, (UTD, Uniform Theory of Diffraction). Estos modelos permiten simular trayectorias realistas de propagación en ambientes urbanos, rurales e interiores. Gracias a estas capacidades, Wireless InSite resulta ideal para probar nuevas arquitecturas de red antes de su implementación real (Correa et al., 2024).

Tecnologías de Trazado de Rayos y Difracción Uniforme en Comunicaciones 6G

En cuanto al algoritmo del Método de Trazado de Rayos Geométrico, (GRT, Geometric Ray-Tracing), éste, constituye una técnica computacional basada en principios de óptica geométrica que simula el comportamiento de las ondas electromagnéticas como trayectorias rectilíneas que se reflejan, refractan o transmiten a través de distintos medios. A diferencia de los modelos estadísticos, este enfoque es determinista y se adapta bien a entornos urbanos complejos. Por ejemplo, en el contexto de la 6G, el algoritmo GRT es clave para evaluar la cobertura en interiores y exteriores a través de herramientas como Wireless InSite, permitiendo representar interacciones precisas con objetos tridimensionales como edificios y vehículos (Solomitckii, 2019; Choi et al., 2023).

En consecuencia, el algoritmo GRT se convierte en una solución indispensable para el diseño y simulación de canales en frecuencias milimétricas y en los terahertz, característicos de la sexta generación de redes móviles. Este método ha sido extensamente adoptado en plataformas de simulación como WiThRay, capaces de generar trayectorias múltiples con base en parámetros geométricos reales, materiales y características topológicas del entorno (Choi et al., 2023; Yang et al., 2024).

Por otro lado, WiThRay es una plataforma de simulación avanzada diseñada para entornos inalámbricos inteligentes, que implementa algoritmos de Trazado de Rayos Geométrico, (GRT, Geometric Ray-Tracing), y el Método de Difracción Uniforme, (UTD, Uniform Theory of Diffraction), con gran precisión. A través del uso de información geométrica detallada, propiedades de materiales y configuraciones topográficas reales, WiThRay permite modelar con exactitud la propagación de ondas milimétricas y en el espectro de los terahertz, ambos fundamentales en la arquitectura de redes móviles 6G.

En consecuencia, WiThRay facilita la evaluación del rendimiento de sistemas como superficies inteligentes reconfigurables, enlaces de línea de vista y escenarios de obstrucción compleja. Su capacidad de simular interacciones múltiples con el entorno convierte a esta herramienta en un recurso clave para diseñar y optimizar comunicaciones móviles de última generación (Choi et al., 2023).

Por otro lado, el Método de Difracción Uniforme, (UTD, Uniform Theory of Diffraction), complementa el trazado de rayos al permitir modelar los efectos de difracción que ocurren cuando las ondas electromagnéticas encuentran obstáculos con bordes definidos. El algoritmo UTD mejora las limitaciones del modelo tradicional de Huygens-Fresnel al proporcionar expresiones analíticas que describen cómo las ondas se doblan alrededor de objetos, lo que es esencial para entornos urbanos densos y situaciones de línea de vista obstruida (Vitucci et al., 2024).

Seguidamente, una aplicación práctica del UTD se observa en el modelado de superficies inteligentes reconfigurables, donde se requieren simulaciones de alta precisión para evaluar la dispersión y redirección de ondas sobre superficies metálicas y dieléctricas, claves en los sistemas masivos MIMO de 6G (Yuan et al., 2024). Asimismo, investigaciones recientes han combinado GRT y UTD para formar soluciones híbridas que incorporan reflexión, transmisión y difracción, optimizando así la caracterización de canales en escenarios urbanos con vegetación densa y obstáculos complejos (Lorente-López et al., 2024; Strelnikov et al., 2024).

Además, un caso representativo es el estudio comparativo entre modelos de UTD y otras aproximaciones como la óptica física (PO, Physical Optics) en la simulación de obstrucciones humanas a frecuencias milimétricas. Dichas comparaciones permiten seleccionar el modelo más eficaz según el contexto de propagación, como interiores congestionados o entornos urbanos con vegetación (Mukherjee et al., 2022; Taygur, 2023).

Por último, se destaca el papel de los algoritmos GRT y UTD en la predicción del rendimiento de arquitecturas como Digital Twins y metasuperficies reflectoras, fundamentales en escenarios como vehículos autónomos, ciudades inteligentes y redes no terrestres, donde la caracterización precisa de la propagación electromagnética resulta fundamental (Pengnoo et al., 2020; Oh et al., 2023).

Tecnologías Difractivas y Modelos Ondulatorios para el Diseño de Canales en Sistemas 6G

En primer lugar, conviene señalar que el modelo de Huygens-Fresnel es una formulación fundamental de la teoría ondulatoria de la luz, donde se considera que cada punto de un frente de onda actúa como una fuente secundaria de ondas esféricas. Estas ondas secundarias interfieren para formar el nuevo frente de onda. Esta teoría, atribuida a Christian Huygens y perfeccionada por Augustin-Jean Fresnel, permite explicar fenómenos como la difracción y la interferencia, esenciales en contextos electromagnéticos como la propagación en comunicaciones móviles (Yildirim & Basar, 2022).

Por consiguiente, dentro de las redes de sexta generación (6G), este modelo ha sido ampliamente adaptado para caracterizar la propagación de ondas en entornos urbanos densos. El principio de Huygens-Fresnel se utiliza para modelar la propagación en frecuencias milimétricas y de los terahercios, especialmente cuando las superficies inteligentes reconfigurables (RIS, Reconfigurable Intelligent Surfaces) se emplean como elementos controlables del canal (Dou et al., 2022).

Por otro lado, es fundamental diferenciar el enfoque de óptica física, (PO, Physical Optics), del modelo anterior. La óptica física no trata a las ondas como rayos geométricos (como lo haría la óptica geométrica), sino como campos electromagnéticos continuos, integrando los efectos de difracción, interferencia y reflexión en estructuras complejas. Este enfoque resulta especialmente valioso cuando se modelan interacciones de onda con objetos cuyas dimensiones son comparables con la longitud de onda, como ocurre en las frecuencias de los THz (Petrov et al., 2024).

Simultáneamente, uno de los usos prácticos de estas tecnologías se observa en simulaciones con superficies inteligentes para controlar el frente de onda, donde las metodologías basadas en óptica física permiten evaluar la dispersión sobre superficies dieléctricas o metálicas. Este uso es necesario en arquitecturas de antenas masivas tipo MIMO (MIMO, Multiple Input Multiple Output), típicas en redes 6G (Adanvo et al., 2023).

Además, se han propuesto modelos híbridos que combinan el principio de Huygens-Fresnel con aproximaciones de óptica física para resolver problemas específicos de modelado de canal en condiciones reales. Por ejemplo, en simulaciones urbanas, se aprovechan ambas aproximaciones para integrar efectos de reflexión, difracción y transmisión simultáneamente, logrando caracterizaciones más fieles del canal (Huang et al., 2022).

Posteriormente, en investigaciones recientes se han utilizado estas técnicas para diseñar metasuperficies que permiten enfocar haces o redirigir ondas en distintas direcciones, incluso en presencia de múltiples obstáculos. Este enfoque es particularmente útil para sistemas STAR-IOS (Simultaneously Transmitting and Reflecting Intelligent Omni-Surfaces), donde el modelado preciso del canal depende directamente del empleo de la teoría de Huygens-Fresnel (Xu et al., 2022).

De manera adicional, las simulaciones de propagación de ondas que consideran cuerpos humanos como obstrucciones también han aprovechado las ventajas de la óptica física. En estos contextos, la precisión que ofrece esta metodología al considerar los contornos suaves y estructuras anatómicas resulta superior a modelos basados exclusivamente en ray tracing o Huygens-Fresnel (Jian et al., 2022).

Asimismo, en el campo del diseño de antenas para 6G, algunos estudios han empleado el modelo de Huygens-Fresnel para optimizar el comportamiento direccional de ondas reflejadas, indispensable para entornos de propagación no lineales de vista directa (NLoS, Non-Line-of-Sight), muy frecuentes en áreas interiores o urbanas saturadas (Khalid et al., 2022).

Adicionalmente, resulta conveniente también mencionar que una de las características diferenciales del simulador Wireless InSite es su capacidad de integración con herramientas de inteligencia artificial y gemelos digitales, permitiendo simulaciones iterativas y predicción de rendimiento en tiempo real. Estas funcionalidades son vitales para el diseño de soluciones que aprovechen tecnologías como Comunicación Inteligente Integrada, (IIC, Integrated Intelligent Communication) y Género de Red Autónoma, (AN, Autonomous Networking), pilares del 6G (Gao et al., 2023).

Comunicación Inteligente Integrada y Redes Autónomas: Claves del Ecosistema 6G

Ahora bien, la Comunicación Inteligente Integrada, (IIC, Integrated Intelligent Communication), representa un enfoque convergente entre la transmisión de datos y la inteligencia computacional distribuida en el propio entorno de la red. Esta tecnología combina el procesamiento en el borde, (Edge Computing), el aprendizaje automático federado y el control dinámico de recursos de red, posibilitando respuestas autónomas y adaptativas ante cambios del entorno (Yettefagh, 2025). La comunicación IIC se convierte así en un componente estratégico en la 6G, donde se exige latencia mínima y toma de decisiones en tiempo real en escenarios como vehículos conectados o fábricas inteligentes.

A su vez, el Género de Red Autónoma, (AN, Autonomous Networking), alude a redes que no sólo auto-organizan su topología y configuraciones, sino que también ejecutan procesos de mantenimiento, optimización y diagnóstico sin intervención humana directa. Estas redes incorporan agentes de decisión basados en algoritmos de inteligencia artificial, que les permiten gestionar conflictos de tráfico, redistribuir recursos y garantizar calidad de servicio (QoS, Quality of Service) de manera eficiente y continua (Lin et al., 2025). La red AN se considera una evolución de las redes auto-gestionadas de 5G, incrementando su autonomía mediante integración con gemelos digitales y arquitecturas centradas en el usuario.

Cabe señalar, que una aplicación práctica destacada de la comunicación IIC se encuentra en la gestión de flotas marítimas autónomas, donde las superficies inteligentes reconfigurables (RIS, Reconfigurable Intelligent Surfaces) optimizan la propagación de señales, mientras el sistema de comunicación IIC controla las decisiones de los enlaces, mediante aprendizaje profundo distribuido (Bartsiokas et al., 2025). Este tipo de integración permite operaciones precisas incluso en ambientes dinámicos y difíciles como puertos congestionados o rutas oceánicas complejas.

En paralelo, las redes autónomas se están implementando en ciudades inteligentes donde los sistemas de tráfico vehicular cooperativo utilizan redes AN para coordinar semáforos, detectar incidentes y comunicar decisiones a infraestructuras viales o vehículos en tiempo real. Estos sistemas combinan Redes de Vehículos Inteligentes (IVN, Intelligent Vehicular Networks) con microcentros de computación periférica y sensores interconectados (Zhang et al., 2025).

Más aún, en escenarios industriales, la combinación de la comunicación IIC y las redes AN, permite mantener la conectividad y asegurar el desempeño de aplicaciones críticas como el mantenimiento predictivo en entornos con alta interferencia electromagnética. En estos casos, la arquitectura de comunicación IIC permite que los nodos de red ajusten sus parámetros de transmisión en función de la predicción de averías o congestión, mientras que la red autónoma redirige dinámicamente los flujos de tráfico para mantener la disponibilidad (Guo et al., 2025).

Consecuentemente, estas tecnologías requieren interoperabilidad con herramientas de simulación avanzadas, como Wireless InSite, que habilitan pruebas iterativas con gemelos digitales de entornos físicos. Al integrar modelos de comunicación IIC y redes AN, dichos simuladores posibilitan una validación temprana de estrategias de despliegue en situaciones como grandes eventos públicos, donde se anticipan variaciones abruptas en la demanda de conectividad (Chamola et al., 2025).

Se puede afirmar, que tanto la comunicación IIC como las redes AN, configuran los pilares del ecosistema inteligente y autónomo propuesto para las redes 6G, ya que promueven infraestructuras estables, conscientes del contexto, energéticamente eficientes y capaces de operar en sincronía con sistemas emergentes como el Internet Táctil o las comunicaciones cuánticas.

Sumado a todo lo anterior, en aplicaciones prácticas, el simulador Wireless InSite se ha utilizado para modelar la distribución de señal en entornos urbanos densamente edificados, optimizar la colocación de estaciones base y evaluar el rendimiento de enlaces punto a punto en condiciones específicas. Por ejemplo, el trabajo de Borges et al. (2024) presenta un escenario donde Wireless InSite es empleado junto a gemelos digitales para simular entornos urbanos en 3D y evaluar algoritmos de acceso múltiple en frecuencias subterahercios.

Además, resulta fundamental mencionar que en el diseño de bancos de pruebas físicos para localización de dispositivos en redes 6G, Wireless InSite ha sido clave al ofrecer un entorno simulado para validar algoritmos de geolocalización, como el propuesto por Khatib et al. (2023), donde se combinan señales reflejadas y directas en múltiples escenarios de propagación compleja.

En consecuencia, el uso de Wireless InSite no sólo optimiza el diseño de redes de próxima generación, sino que también acelera los ciclos de innovación al reducir los costos de experimentación física. Esto es evidente en desarrollos como CAVIAR, una plataforma de simulación co-integrada con IA y Wireless InSite para aplicaciones de mantenimiento predictivo en ciudades inteligentes (Borges et al., 2024).

Tecnologías emergentes 6G: CAVIAR como eje en la gestión de redes y predicción urbana

En este contexto, es necesario comprender que CAVIAR (Cognitive Architecture for Virtual Intelligent Autonomous Realities) representa una plataforma co-integrada que fusiona capacidades de simulación avanzada con algoritmos de Inteligencia Artificial, (AI, Artificial Intelligence), para mejorar la gestión y el mantenimiento predictivo en entornos urbanos complejos. En su núcleo, la arquitectura CAVIAR se apoya en el motor de simulación Wireless InSite, herramienta que permite la evaluación de propagación de ondas electromagnéticas a través de escenarios urbanos, interiores o industriales de alta complejidad (Murroni et al., 2023).

Por consiguiente, CAVIAR permite simular condiciones de red en tiempo real y anticipar posibles fallos o cuellos de botella en infraestructuras de comunicación móvil 6G. Esta capacidad predictiva es fundamental en el concepto de mantenimiento predictivo, donde los sistemas se ajustan automáticamente antes de que ocurra un problema. Por ejemplo, sensores inteligentes desplegados en una red de tráfico urbano pueden identificar un patrón anómalo de latencia que anticipe un fallo de conectividad, permitiendo acciones de mitigación antes de afectar a los usuarios (Al-Saedi et al., 2022).

En relación con sus características técnicas, CAVIAR integra aprendizaje automático supervisado y no supervisado para adaptar continuamente los modelos de red en función de datos en tiempo real, lo que optimiza el uso de recursos en redes densas. Asimismo, incluye módulos de Edge Computing, (EC, Edge Computing), lo que significa que los procesos de inferencia se ejecutan en el borde de la red, disminuyendo la latencia y reduciendo la dependencia del núcleo de la red central (Nascimento et al., 2023).

A modo ilustrativo, un caso de uso relevante se ha documentado en aplicaciones de movilidad inteligente, donde CAVIAR ha sido implementado para coordinar flotas de vehículos autónomos conectados mediante redes 6G, permitiendo la optimización de rutas, predicción de congestión vehicular y comunicación ultra confiable con baja latencia, (URLLC, Ultra-Reliable Low Latency Communication) (Theodoridis, 2024).

De igual forma, en el ámbito de las ciudades inteligentes, (Smart Cities), la plataforma permite diseñar políticas de despliegue de sensores basadas en simulaciones reales, evaluando la cobertura, interferencias y comportamiento de las ondas milimétricas, (mmWave, millimeter Wave), tecnología clave en el paradigma 6G (Ullah et al., 2024). La inclusión de componentes cognitivos le permite a CAVIAR tomar decisiones autónomas para reconfigurar rutas de transmisión y asignar recursos de espectro, lo cual es esencial en entornos densamente poblados.

Adicionalmente, estudios recientes enfatizan que una de las fortalezas de CAVIAR radica en su compatibilidad con entornos virtuales como Veneris, simulador de tráfico urbano, lo que le permite desarrollar escenarios urbanos hiperrealistas y facilitar la validación previa al despliegue físico (Nascimento et al., 2023). Este enfoque co-integrado ahorra costos operativos al reducir el número de pruebas en campo, aumentando la velocidad de implementación de nuevas tecnologías 6G.

Inteligencia artificial y simulación urbana: el rol de Veneris en el futuro 6G

En otro orden de ideas, Veneris es una plataforma avanzada de simulación de tráfico urbano diseñada para modelar y analizar la interacción entre vehículos conectados, infraestructuras inteligentes y redes de comunicación de nueva generación. Basado en Unity 3D, Veneris permite la creación de entornos urbanos virtuales hiperrealistas que sirven como laboratorios virtuales para probar soluciones en escenarios complejos antes de su implementación en el mundo físico (Radovic et al., 2023).

De la realidad virtual a la conectividad 6G: El poder de Unity 3D

En lo que se refiere a Unity 3D, se considera una plataforma de desarrollo de entornos tridimensionales que permite crear simulaciones, videojuegos, recorridos virtuales y aplicaciones interactivas en tiempo real. Se trata de un motor de renderizado multiplataforma que integra gráficos avanzados, físicas realistas y soporte para dispositivos de realidad aumentada, (AR, Augmented Reality), y realidad virtual, (VR, Virtual Reality) (Medeiros et al., 2023).

Es importante mencionar, que Unity 3D funciona mediante un entorno de programación visual y scripting basado en C#, ofreciendo a las personas desarrolladoras herramientas para modelar escenarios, animar objetos, gestionar dinámicas físicas y renderizar entornos con alta fidelidad gráfica. De esta manera, Unity 3D facilita la creación de simulaciones que replican condiciones reales de interacción espacial, iluminaciones dinámicas y efectos ambientales (Zhang et al., 2022).

Por consiguiente, Unity 3D posee características esenciales como su capacidad para implementar físicas realistas de colisiones, sistemas avanzados de navegación autónoma, (NavMesh, Navigation Mesh), y motores de partículas que permiten emular fenómenos ambientales como lluvia, niebla o tráfico denso. Asimismo, Unity 3D puede conectarse a sistemas externos de inteligencia artificial, (AI, Artificial Intelligence), ampliando las posibilidades de automatización y análisis de los entornos creados (Yang et al., 2023).

A modo de ilustración, en una plataforma de simulación urbana Veneris, Unity 3D es utilizado para modelar ciudades inteligentes en las cuales los vehículos autónomos interactúan con semáforos inteligentes, peatones virtuales y sistemas de comunicación vehicular basados en 6G. Gracias a su motor gráfico, es posible visualizar el comportamiento de redes vehiculares en diferentes condiciones de tráfico, tiempo atmosférico y eventos imprevistos como accidentes (Radovic et al., 2023).

Paralelamente, Unity 3D permite realizar simulaciones masivas al soportar múltiples instancias de vehículos, sensores y dispositivos conectados, lo cual es necesario para validar algoritmos de comunicación ultra confiable de baja latencia, (URLLC, Ultra-Reliable Low Latency Communication), en redes 6G urbanas densas. De este modo, Unity 3D impulsa el desarrollo ágil de nuevas tecnologías antes de sus pruebas físicas (González et al., 2024).

Cabe resaltar, que la flexibilidad multiplataforma de Unity 3D, es capaz de desplegar simulaciones en dispositivos móviles, PC, consolas o plataformas web, convirtiéndo a este motor en una herramienta estratégica en proyectos de investigación y desarrollo en ciudades inteligentes, movilidad autónoma y comunicaciones de próxima generación (Hu et al., 2023).

Posteriormente, al integrarse con herramientas como Wireless InSite y arquitecturas cognitivas como CAVIAR, Veneris se convierte en un ecosistema de simulación co-integrado que puede replicar con alta fidelidad la propagación de señales, la movilidad vehicular y la operación de redes inalámbricas 6G. En este contexto, Veneris apoya el desarrollo de mantenimiento predictivo mediante algoritmos de inteligencia artificial, (AI, Artificial Intelligence), permitiendo anticipar fallas en infraestructuras urbanas y redes vehiculares (Nascimento et al., 2023).

Es conveniente destacar, que uno de los mayores aportes de Veneris es su capacidad para evaluar el comportamiento de tecnologías como la comunicación de baja latencia y alta confiabilidad, (URLLC, Ultra-Reliable Low Latency Communication), y la computación en el borde de la red, (EC, Edge Computing), en contextos dinámicos como intersecciones congestionadas, zonas escolares o entornos industriales (Györgyi et al., 2023).

A modo de ilustración, se ha utilizado Veneris para simular el rendimiento de vehículos autónomos que se comunican a través de redes 6G en tiempo real, evaluando el impacto de la densidad de tráfico, obstáculos urbanos y condiciones ambientales en la calidad del servicio de transmisión (Kavehmadavani, 2024). Este tipo de simulación ayuda a optimizar el posicionamiento de estaciones base, la asignación de espectro y la configuración de antenas en ciudades inteligentes.

Más aún, estudios recientes demostraron que Veneris puede simular eventos críticos como accidentes o congestiones masivas, proporcionando insumos para el entrenamiento de modelos de machine learning que toman decisiones en milisegundos para desviar el tráfico o alertar a unidades de emergencia mediante Internet de las cosas vehicular, (V2X, Vehicle-to-Everything) (Jangirala et al., 2023).

Simultáneamente, la flexibilidad de Veneris permite la integración de tecnologías emergentes como gemelos digitales, (DT, Digital Twins), para representar réplicas digitales en tiempo real de infraestructuras viales y nodos de comunicación urbana. Esta característica mejora significativamente el diseño, la gestión y la estabilidad de redes urbanas hiperconectadas (Stepanyants & Romanov, 2023).

A mi modo de ver, se ha evidenciado que Veneris es un componente clave para acelerar la validación previa de tecnologías 6G antes de su implementación física, reduciendo costos operativos y aumentando la confiabilidad de los sistemas desplegados, lo cual resulta esencial en proyectos de transformación digital urbana y movilidad sostenible (Sharma et al., 2024).

Se debe subrayar, que estas simulaciones no sólo tienen aplicaciones en tráfico urbano, sino también en otros dominios como la salud digital, (Digital Health), y la vigilancia ambiental, donde la comunicación confiable en tiempo real es importante en la toma de decisiones críticas, como se evidencia en plataformas de atención médica ubicua basadas en redes sensoriales cooperativas (Lietzow, 2024).

Conviene mencionar, que simuladores como Wireless InSite están siendo extendidos mediante arquitectura modular y virtualización para adaptarse a los requerimientos computacionales de nuevos entornos hiperconectados como el Internet de los Sentidos, (IoS, Internet of Senses) o Redes Cognitivas Autónomas, (CAN, Cognitive Autonomous Networks), elementos cruciales del ecosistema 6G (Inzillo & Quintana, 2025).

Internet de los Sentidos y Redes Cognitivas Autónomas: Pilar Tecnológico del 6G

Considerando, que en el contexto de las telecomunicaciones avanzadas y de la evolución hacia entornos hiperconectados, el Internet de los Sentidos, (IoS, Internet of Senses), representa un paradigma que busca fusionar tecnologías inmersivas como la realidad aumentada (AR), la realidad virtual (VR), y la inteligencia artificial (AI), con capacidades hápticas y sensoriales avanzadas. Esto permite crear experiencias multicanal que simulan estímulos sensoriales humanos, tales como el tacto, el gusto o el olfato, a través de la red digital (Inzillo & Quintana, 2025). Por ejemplo, en el área de educación médica, los estudiantes podrían “sentir” un procedimiento quirúrgico a través de simulaciones hápticas a distancia, lo cual incrementa la inmersión y la eficacia del aprendizaje (Naz et al., 2025).

Por otro lado, de manera complementaria, las Redes Cognitivas Autónomas, (CAN, Cognitive Autonomous Networks), constituyen infraestructuras inteligentes de telecomunicación que se auto-organizan, auto-gestionan y se adaptan dinámicamente al entorno de red mediante algoritmos basados en el aprendizaje automático (ML, Machine Learning) y el razonamiento basado en conocimiento. Estas redes pueden optimizar automáticamente la calidad del servicio (QoS, Quality of Service) y el uso del espectro de frecuencias sin intervención humana directa, permitiendo su implementación en contextos críticos como redes vehiculares o gestión de energía inteligente (MK Ehsan et al., 2025).

De igual modo, en el desarrollo hacia la sexta generación de redes móviles, 6G, estas dos tecnologías no son meramente complementarias, sino que se articulan en la construcción de ecosistemas digitales que requieren conectividad ubicua, respuesta en tiempo real y personalización sensorial. Así, simuladores como Wireless InSite están siendo modificados para incluir arquitecturas virtualizadas capaces de evaluar comportamientos en redes de Internet de los Sentidos, (IoS, Internet of Senses), y de Redes Cognitivas Autónomas, (CAN, Cognitive Autonomous Networks), permitiendo modelar interacciones en ciudades inteligentes o entornos industriales automatizados (Inzillo & Quintana, 2025).

A modo de ilustración práctica, se puede considerar el caso de asistentes personales para personas con discapacidad visual. En un entorno 6G equipado con redes IoS, los sensores pueden percibir el entorno circundante y traducir esa información sensorial mediante vibraciones o señales auditivas procesadas en tiempo real. Paralelamente, las redes CAN gestionan la calidad de transmisión y la priorización de paquetes, asegurando la baja latencia requerida para que esta interfaz sea útil y segura para el usuario final (MK Ehsan et al., 2025).

Adicionalmente, aplicaciones en fábricas inteligentes muestran cómo robots colaborativos pueden ser coordinados a través de redes CAN mientras que los operadores humanos interactúan mediante interfaces sensoriales IoS, permitiendo monitoreo háptico remoto de materiales o sistemas críticos, mejorando tanto la seguridad como la eficiencia operativa (Naz et al., 2025).

Por consiguiente, la sinergia entre el Internet de los Sentidos y las Redes Cognitivas Autónomas no solo responde a una necesidad tecnológica de mayor rendimiento, sino que también plantea una transformación del concepto mismo de presencia digital y autonomía en las telecomunicaciones. Esto, sin duda, se convertirá en un pilar fundamental para que el ecosistema 6G sea verdaderamente inclusivo, inmersivo y autosuficiente.

Reducción del sobrecoste en la predicción de haces mediante información contextual

Para referirse al sobrecoste en las mediciones de haces electromagnéticos en canales de comunicación inalámbricos, este puede reducirse significativamente si el Equipo de Usuario (UE) proporciona información adicional, como su ubicación o su orientación. A partir de esta idea, se han propuesto diversas técnicas basadas en herramientas de Aprendizaje Automático (ML), capaces de predecir haces candidatos a partir de dicha información y, con ello, disminuir notablemente la sobrecarga en la Gestión de Haces (BM) y el seguimiento de haces, especialmente en frecuencias de ondas milimétricas (mmWave) y bandas de Terahercios (THz).

Además, estos enfoques aprovechan información contextual, como la ubicación del UE o la Información del Estado del Canal (CSI) en frecuencias sub-7 GHz, para entrenar modelos de aprendizaje automático ML, que mapean estos datos y permiten una predicción más eficiente de haces (Zhang, Alrabeiah & Alkhateeb, 2021).

Por consiguiente, la posibilidad de reducir significativamente el sobrecoste asociado a la gestión de haces mediante la incorporación de datos contextuales abre un campo tecnológico de enorme potencial. En este sentido, el Aprendizaje Automático (ML) no solo actúa como un complemento, sino como un elemento estratégico que permite una predicción más precisa de los haces electromagnéticos candidatos, lo cual optimiza la gestión y el seguimiento en bandas mmWave y THz (Zhang et al., 2021; Di Renzo, Gradoni & Diaz-Rubio, 2021).

Precisión en la predicción de haces gracias a datos históricos y sensoriales

Convencionalmente, este proceso implicaba barridos exhaustivos entre múltiples haces, lo que conllevaba un elevado consumo de tiempo y energía, especialmente en escenarios con alta movilidad o con numerosos dispositivos conectados (Hur, Kim, Love, Thomas & Ghosh, 2013). Por lo tanto, al dotar al equipo UE de capacidad para ofrecer datos adicionales como la ubicación y orientación, los modelos de aprendizaje ML pueden ser entrenados con datos históricos que correlacionan estas variables con los haces óptimos en situaciones pasadas, logrando así predecir de forma precisa los haces electromagnéticos candidatos, incluso en entornos dinámicos (Alrabeiah & Alkhateeb, 2019).

Mejora del seguimiento y calidad de conexión con ML en mmWave y THz

Asimismo, esta capacidad predictiva no sólo minimiza el costo de las mediciones, sino que también mejora notablemente el seguimiento en entornos caracterizados por la alta direccionalidad y sensibilidad de las ondas mmWave y de los THz a obstáculos (Rappaport et al., 2013). En consecuencia, al reducir la necesidad de ajustes continuos en la dirección del haz, se obtiene una mayor eficiencia y una conexión de mejor calidad (Choi, 2015).

Uso del estado del canal (CSI) para optimizar la predicción en frecuencias sub-7 GHz

Igualmente, la Información del Estado del Canal (CSI, Canal State Information) en frecuencias sub-7 GHz ha demostrado ser útil para entrenar algoritmos predictivos, dado que permite al sistema aprender las condiciones del canal y prever qué haces serán más efectivos en determinadas circunstancias (Huang, Ye, Chen & Li, 2019).

Análisis de las características del Canal State Information (CSI) en el espectro sub-7 GHz para la próxima generación de redes móviles

Aquí, es pertinente comprender que la Información del Estado del Canal, (CSI, Channel State Information), constituye un conjunto de parámetros que caracterizan el comportamiento de un canal de comunicación inalámbrico en tiempo real. A través de estas métricas, como ganancia de canal, desvanecimiento, retraso y respuesta en frecuencia, se facilita la adaptación dinámica de la transmisión para maximizar la eficiencia y fiabilidad de la red móvil. Particularmente en frecuencias sub-7 GHz, la información CSI adquiere mayor relevancia por su equilibrio entre cobertura y capacidad, lo cual es esencial para las redes 6G de próxima generación (Björnson, Kara & Kolomvakis, 2024).

Adicionalmente, resulta importante detallar cómo funciona la información CSI en este contexto. En términos operativos, los sistemas de comunicación recolectan los datos de la CSI mediante sondas piloto o señales de referencia que permiten estimar las condiciones del canal entre el transmisor y el receptor. Esta información es enviada al transmisor, que la utiliza para ajustar su esquema de modulación, potencia de transmisión y codificación. En las bandas sub-7 GHz, caracterizadas por una mayor penetrabilidad en interiores y menor atenuación atmosférica, la CSI permite obtener una representación precisa y robusta del entorno radioeléctrico (Sun, Ng, Huo & Hu, 2023).

Seguidamente, se debe resaltar que una de las principales características de la información CSI en el rango sub-7 GHz es su aplicabilidad en arquitecturas de acceso masivo como MIMO masivo, (Massive MIMO, Multiple Input Multiple Output), que permite a las estaciones base comunicarse simultáneamente con múltiples dispositivos mediante haces dirigidos. Esto requiere una estimación precisa del canal, que la CSI facilita enormemente. Por ejemplo, en sistemas MIMO de gran escala, los datos de la CSI permiten formar haces electromagnéticos altamente direccionales y minimizar la interferencia entre usuarios, logrando así una eficiencia espectral significativamente mayor (Huo et al., 2023).

Adicionalmente, la información CSI se integra en tecnologías emergentes como el aprendizaje automático distribuido, donde sus registros históricos sirven como insumo para predecir la calidad del enlace y realizar selecciones de haz anticipadas. Por ejemplo, los algoritmos predictivos entrenados con información CSI sub-7 GHz pueden anticipar la trayectoria de un dispositivo móvil y ajustar los parámetros de transmisión antes de que ocurra un cambio brusco en las condiciones del canal, lo cual optimiza la conectividad (Khan, Gaber, Schulz & Fettweis, 2023).

Además, es esencial destacar ejemplos prácticos. En vehículos autónomos conectados a redes 6G, la información CSI es indispensable para garantizar enlaces confiables de baja latencia y alta disponibilidad en movimiento. Así, los sistemas V2X, (Vehicle-to-Everything), ajustan sus protocolos de comunicación basados en la información CSI para evitar colisiones y mejorar la navegación cooperativa. Otro ejemplo ocurre en las redes industriales inteligentes, donde los sensores distribuidos en una fábrica utilizan los datos CSI, para adaptar dinámicamente su consumo energético y evitar congestión espectral (Ali, Zikria & Bashir, 2021).

En paralelo, las redes 6G incorporan tecnologías de superficies inteligentes reconfigurables, (RIS, Reconfigurable Intelligent Surfaces), que manipulan activamente las propiedades del canal. La información CSI permite a estas superficies ajustar su fase y amplitud para redirigir las señales hacia destinos óptimos, reduciendo pérdidas y aumentando la cobertura, particularmente en interiores y entornos urbanos densos (Kara, Demir & Björnson, 2024).

A su vez, vale mencionar, que las bandas sub-7 GHz ofrecen un terreno intermedio ideal entre confiabilidad y rendimiento, en comparación con las bandas milimétricas. En este espectro, la información CSI demuestra ser una herramienta fundamental para facilitar la transición hacia redes cognitivas y adaptativas, pilares del paradigma 6G. Desde la coordinación de recursos hasta la prevención anticipada de averías en la red, su rol es transversal y esencial en la arquitectura de próxima generación (Chen, Lin & Di, 2023).

Tecnologías fundamentales en 6G: Superficies inteligentes reconfigurables, redes cognitivas y adaptativas

En primera instancia, cabe destacar que las superficies inteligentes reconfigurables, (RIS, Reconfigurable Intelligent Surfaces), representan una innovación en las telecomunicaciones que permite modificar de manera activa las propiedades de propagación de las señales inalámbricas mediante el ajuste de la fase y amplitud de las ondas incidentes. Así, estas superficies, compuestas por numerosos elementos pasivos o semi-activos, pueden redirigir, refractar o reflejar señales de forma programada, optimizando la cobertura y eficiencia espectral en redes de sexta generación, (6G). Un ejemplo práctico es su uso en entornos urbanos densos, donde las RIS pueden instalarse en fachadas de edificios para mejorar la recepción de señales en áreas de sombra electromagnética (Basar et al., 2019).

De forma similar, es imprescindible abordar el concepto de redes cognitivas, que consisten en sistemas de comunicación capaces de percibir, aprender y adaptarse dinámicamente a su entorno radioeléctrico. Estas redes utilizan mecanismos de detección del espectro y aprendizaje automático para gestionar de forma autónoma la asignación de recursos y mejorar la eficiencia global del sistema. En redes 6G, las redes cognitivas son fundamentales para soportar un entorno de comunicaciones ultra-densas y heterogéneas, permitiendo, por ejemplo, la auto-organización de redes vehiculares inteligentes en zonas metropolitanas (Zhang et al., 2020).

Por otro lado, se debe destacar también la importancia de las redes adaptativas, que refieren a sistemas capaces de modificar sus parámetros operativos en tiempo real en respuesta a cambios en las condiciones del canal o en los requisitos de los usuarios. Estas redes son esenciales para mantener una calidad de servicio (QoS, Quality of Service) óptima en 6G, ajustando parámetros como la modulación, codificación y gestión de recursos de red en función de la medición y estimación de variables como la latencia y la relación de error de bits. Por ejemplo, en aplicaciones de telemedicina mediante realidad aumentada, las redes adaptativas permiten priorizar automáticamente el tráfico de video de alta fidelidad durante una intervención quirúrgica remota (Giordani et al., 2020).

En otro orden de ideas, es crucial resaltar cómo la integración de las superficies RIS, redes cognitivas y redes adaptativas en 6G está transformando múltiples industrias. En el contexto industrial, un ejemplo práctico sería la implementación de superficies RIS en fábricas inteligentes, donde superficies reconfigurables optimizan la conectividad de sensores en entornos de alta interferencia electromagnética. De manera complementaria, las redes cognitivas facilitarían la reconfiguración automática del ancho de banda disponible para aplicaciones de manufactura crítica, mientras que las redes adaptativas asegurarían la continuidad del servicio frente a fallas técnicas o congestiones (Tang et al., 2021).

No obstante, resulta pertinente mencionar que estas tecnologías no funcionan de manera aislada; su verdadero potencial emerge de la sinergia. Así, en un escenario de movilidad autónoma en zonas rurales, las superficies RIS instaladas en postes de luz pueden garantizar conectividad continua a vehículos autónomos, redes cognitivas pueden gestionar dinámicamente el espectro disponible y las redes adaptativas ajustarían sus parámetros de transmisión en función de las condiciones climáticas cambiantes (Wu et al., 2020).

Por otra parte, a medida que se avanza hacia la implementación plena de la 6G, la investigación sigue explorando nuevas capacidades de estas tecnologías. Investigaciones recientes proponen combinar superficies RIS con técnicas de comunicación no ortogonal, (NOMA, Non-Orthogonal Multiple Access), para maximizar la eficiencia espectral, mientras que las redes cognitivas se están potenciando con aprendizaje profundo, (DL, Deep Learning), para predecir patrones de tráfico y optimizar la gestión de red (Renzo et al., 2020).

Además, conviene destacar que las redes adaptativas también se están beneficiando de técnicas de optimización multi-objetivo, permitiendo a la 6G equilibrar múltiples métricas de rendimiento de manera simultánea, como la eficiencia energética y la latencia ultra-baja, algo esencial en aplicaciones de Internet táctil, (TI, Tactile Internet), como el control remoto de maquinaria pesada en minas inteligentes (Strinati et al., 2021).

Lidar y radar como aliados para la predicción eficiente de haces en movilidad

Paralelamente, ha ganado terreno el uso de información sensorial proveniente de dispositivos como lidar o radar, cuya integración permite a los algoritmos de aprendizaje automático ML mejorar la predicción y optimizar la gestión de haces en bandas mmWave y THz (Liu, Yang, Shi & Hanzo, 2020).

Aplicaciones de Lidar y Radar en 6G: Revolucionando la Comunicación Móvil

Es evidente que, en el ecosistema de comunicaciones móviles de próxima generación, la incorporación de tecnologías como lidar (Light Detection and Ranging) y radar (Radio Detection and Ranging) ha transformado el paradigma de la percepción sensorial en redes 6G. Específicamente, lidar utiliza haces de luz láser para medir distancias precisas hacia objetos, construyendo mapas tridimensionales del entorno mediante la reflexión de estos pulsos (Zhang, Chen, & Xu, 2021). Por otro lado, el radar emplea ondas de radio para detectar la posición, velocidad y características de objetos, siendo ampliamente utilizado debido a su robustez en condiciones climáticas adversas (Hasch et al., 2012).

Por otro lado, respecto a su funcionamiento, lidar opera mediante la emisión de pulsos de láser que, al reflejarse en un objeto, retornan al sensor, permitiendo calcular la distancia a través del tiempo que tarda el pulso en volver. Esta tecnología proporciona resoluciones espaciales extremadamente altas, facilitando la generación de imágenes detalladas del entorno, fundamentales en la gestión de haces en las bandas de frecuencia milimétrica (mmWave) y de los Terahertz (THz) en redes 6G (Liu et al., 2020). Simultáneamente, el radar funciona enviando señales de radio que rebotan en objetos, capturando el eco recibido para determinar parámetros como distancia y velocidad relativa, contribuyendo de forma esencial a la comunicación confiable en escenarios de alta movilidad (Deng, Han, & Chen, 2020).

Aunado a esto, es determinante subrayar algunas aplicaciones prácticas en el contexto de la 6G. Un ejemplo claro es el uso de lidar para la construcción de mapas dinámicos de alta resolución en entornos urbanos inteligentes, mejorando la predicción de movimientos de vehículos autónomos conectados a la red (Tang, Dai, & Wang, 2022). A su vez, el radar permite detectar peatones y otros obstáculos en entornos de alta densidad, proporcionando datos sensoriales esenciales para algoritmos de Machine Learning, (ML, Machine Learning), que optimizan la gestión de recursos en la red (Abboud, Omar, & Zhuang, 2016).

Consecutivamente, otro uso de lidar en 6G incluye la asistencia a la localización ultra precisa para usuarios de Realidad Aumentada (AR, Augmented Reality) y Realidad Virtual (VR, Virtual Reality), facilitando experiencias inmersivas de baja latencia (You et al., 2021). Además, los sistemas de radar son esenciales para comunicaciones vehiculares de alta fiabilidad (V2X, Vehicle-to-Everything), proporcionando datos de entorno en tiempo real para maniobras seguras a velocidades elevadas (Rappaport et al., 2019).

Es un hecho que, dentro de las características esenciales de estas tecnologías, lidar destaca por su precisión milimétrica y su capacidad para operar en rangos de distancia moderados, aunque puede verse limitado por condiciones climáticas como niebla o lluvia intensa (Siegwart, Nourbakhsh, & Scaramuzza, 2011). En contraste, el radar posee una alta resistencia a condiciones ambientales adversas y permite la detección de objetos a mayores distancias, aunque su resolución espacial suele ser inferior a la de lidar (Patole, Torlak, Wang, & Ali, 2017).

Modelos de predicción basados en vehículos como elementos clave de reflexión

En una línea similar, se ha propuesto un marco de predicción de haces electromagnéticos de los enlaces inalámbricos, que incluye conciencia situacional, lo cual cobra relevancia al considerar que los vehículos suelen ser los principales elementos de reflexión en entornos urbanos. De hecho, mediante el uso de tecnologías como la comunicación dedicada de corto alcance (DSRC, Dedicated Short-Range Communications), es posible utilizar la ubicación de los vehículos para prever la potencia recibida de un haz electromagnético de un enlace inalámbrico. Según muestran simulaciones realizadas con Wireless Insite, incorporar esta información contextual puede mejorar significativamente la precisión del modelo predictivo (Xu, Gao, Tao & Zhang, 2022).

¿Qué es la Comunicación Dedicada de Corto Alcance (DSRC) y su Papel en 6G?

A pesar de los constantes avances tecnológicos en el ámbito de las comunicaciones móviles, la Comunicación Dedicada de Corto Alcance (DSRC, Dedicated Short-Range Communications) ha mantenido su relevancia como un sistema de comunicación inalámbrica diseñado principalmente para la transmisión de datos entre vehículos (V2V, Vehicle-to-Vehicle) y entre vehículos e infraestructura (V2I, Vehicle-to-Infrastructure) en distancias cortas (Campolo, Molinaro, Scopigno & Akyildiz, 2015). Asimismo, la comunicación DSRC utiliza frecuencias específicas en la banda de los 5.9 GHz para ofrecer conexiones rápidas, confiables y de baja latencia en entornos urbanos y rurales.

Por otro lado, el funcionamiento de la tecnología DSRC se basa en un modelo de red ad hoc, en el que los dispositivos, principalmente vehículos, intercambian información directamente sin requerir una infraestructura de red convencional como torres celulares o estaciones base (Kenney, 2011). En consecuencia, su arquitectura permite el establecimiento inmediato de conexiones dinámicas y altamente estables, fundamentales en escenarios de alta movilidad como las ciudades inteligentes y los corredores de transporte de nueva generación.

De igual forma, la comunicación DSRC se caracteriza por su bajo retardo de transmisión, alta confiabilidad y soporte para aplicaciones de seguridad crítica, como alertas de colisión, notificaciones de frenado de emergencia y advertencias de cruce de intersecciones (Hartenstein & Laberteaux, 2010). Entre sus propiedades más destacadas se incluyen su capacidad para soportar altas velocidades de movilidad, su interoperabilidad y su robustez ante interferencias ambientales, factores imprescindibles para la evolución hacia redes de sexta generación (6G).

En consecuencia, en el contexto de las redes 6G, la comunicación DSRC encuentra nuevas oportunidades para integrarse con tecnologías avanzadas de predicción de haces electromagnéticos y redes vehiculares inteligentes, mejorando la comunicación contextual basada en la localización y el movimiento de los vehículos (Xu, Gao, Tao & Zhang, 2022). Un ejemplo práctico de su aplicación en 6G se observa en la predicción de la potencia recibida de un haz electromagnético inalámbrico mediante la ubicación de los automóviles en escenarios urbanos densos, optimizando así el rendimiento de las redes de comunicación.

Por otra parte, en el ámbito de la 6G, la tecnología DSRC puede ser utilizada para mejorar los sistemas de gestión de tráfico, permitiendo la comunicación en tiempo real entre vehículos autónomos y la infraestructura urbana, coordinando flujos vehiculares de manera segura y eficiente (Abboud, Omar & Zhuang, 2016). De manera complementaria, puede emplearse en servicios de emergencias, donde ambulancias y vehículos de bomberos transmiten información prioritaria dirigidos a los sistemas de control de tráfico para facilitar el acceso rápido a las zonas de emergencia.

En otro orden de ideas, la comunicación DSRC puede integrarse con sensores inteligentes instalados en semáforos y señales de tráfico, para proporcionar actualizaciones dinámicas a los vehículos conectados, aumentando la eficiencia energética y reduciendo las emisiones contaminantes en entornos urbanos, apoyando así los objetivos de ciudades sostenibles impulsados por las tecnologías 6G (Khan, Rehmani & Reisslein, 2019).

Así, considerando la constante evolución de los sistemas de comunicación vehicular, la comunicación DSRC, complementado con innovaciones como las redes de malla vehicular (VANETs, Vehicular Ad-hoc Networks), mantiene un papel estratégico en el despliegue de redes inteligentes de próxima generación, facilitando una movilidad segura, eficiente y altamente automatizada en el ecosistema 6G.

Adaptación en tiempo real mediante conciencia situacional extendida

A su vez, un marco basado en conciencia situacional no solo anticipa la trayectoria de los haces, sino que también se adapta en tiempo real a los cambios en el entorno (Di Renzo et al., 2021). Esto se consigue integrando datos como la ubicación de obstáculos, densidad de usuarios y condiciones atmosféricas, que permiten una comunicación eficiente incluso en escenarios complejos (Yang et al., 2020).

Conciencia Situacional en Control de Haces 6G: Funcionamiento y Aplicaciones

A partir de esta premisa, en primer lugar, es fundamental entender qué es la conciencia situacional en el control de haces electromagnéticos para los enlaces inalámbricos en 6G. Básicamente, la conciencia situacional, (SA, Situational Awareness), hace referencia a la capacidad de un sistema para percibir su entorno, comprender su significado y anticipar eventos futuros relevantes para el proceso de toma de decisiones. Dentro del contexto de 6G, se refiere al uso de tecnologías avanzadas como la inteligencia artificial, (AI, Artificial Intelligence), y el aprendizaje automático, (ML, Machine Learning), para captar dinámicamente información del entorno, como la ubicación de obstáculos, condiciones climáticas o movimientos de los usuarios, con el fin de ajustar y dirigir los haces electromagnéticos de manera precisa (Di Renzo et al., 2021).

Posteriormente, cabe señalar que el funcionamiento de esta conciencia situacional en redes 6G se estructura en varias etapas. Primeramente, se recopilan datos ambientales a través de sensores distribuidos o dispositivos de percepción remota. A continuación, mediante algoritmos de fusión de datos, (DF, Data Fusion), se integran estas múltiples fuentes de información para construir un modelo situacional preciso. Acto seguido, se utilizan técnicas de aprendizaje profundo, (DL, Deep Learning), para analizar estos modelos y predecir cambios en tiempo real, permitiendo ajustes preventivos en la dirección y configuración de los haces (Yang et al., 2020).

En otro orden de ideas, resulta pertinente destacar algunas tecnologías esenciales que habilitan este proceso. En particular, el uso de superficies inteligentes reconfigurables, (RIS, Reconfigurable Intelligent Surfaces), que son estructuras capaces de manipular activamente las ondas de radio para optimizar la propagación de la señal en tiempo real, ha sido un avance de suma importancia. Asimismo, los sistemas de comunicaciones mediante aprendizaje de refuerzo profundo, (DRL, Deep Reinforcement Learning), permiten optimizar continuamente el control de haces basándose en la retroalimentación del entorno (Basar et al., 2019).

Adicionalmente, conviene ilustrar con ejemplos prácticos cómo esta conciencia situacional se traduce en aplicaciones reales dentro de las redes 6G. Por ejemplo, en entornos urbanos densos donde los edificios bloquean las señales, los sistemas basados en conciencia situacional pueden detectar un nuevo obstáculo, predecir su impacto sobre la trayectoria del haz y reajustar la dirección del mismo para mantener la conectividad sin interrupciones (Elbamby et al., 2019). De igual modo, en escenarios de alta movilidad como carreteras inteligentes o redes ferroviarias, los sistemas de 6G pueden prever el movimiento de los usuarios y pre-configurar los haces para asegurar una conexión estable y continua (Saad et al., 2020).

Por otro lado, es relevante mencionar que las aplicaciones no se limitan al ámbito de las comunicaciones convencionales. Por ejemplo, en el contexto de redes de sensores para ciudades inteligentes, la conciencia situacional permite optimizar el uso de recursos energéticos adaptando dinámicamente las transmisiones a la densidad del tráfico de datos en diferentes zonas geográficas (Zhang et al., 2021). Igualmente, en comunicaciones de emergencia y rescate en zonas de desastre, donde las condiciones cambian rápidamente, los sistemas basados en conciencia situacional garantizan la estabilidad de las comunicaciones críticas (Chen et al., 2020).

A la par de esto, es importante resaltar que, de cara al futuro, los avances en tecnologías de redes neuronales espaciotemporales, (STNN, Spatiotemporal Neural Networks), permitirán aún mejores predicciones del entorno, aumentando así la precisión y eficiencia del control de haces en 6G. Estas innovaciones no sólo mejorarán la velocidad y confiabilidad de las conexiones, sino que también abrirán nuevas posibilidades en aplicaciones como realidad aumentada, (AR, Augmented Reality), y vehículos autónomos (Lu et al., 2021).

Optimización de recursos con predicción de movilidad vehicular

Por otro lado, la información sobre la ubicación de los vehículos puede servir para predecir su movilidad, anticipar posiciones futuras y optimizar la asignación de recursos, lo cual garantiza una buena calidad de servicio incluso con alta movilidad (Kong, Khan, Wu & Chen, 2017).

Optimización de Recursos en 6G: Predicción de Movilidad Vehicular y Aplicaciones Prácticas

Considerando, que el avance hacia las redes móviles de sexta generación, (6G, Sixth Generation), ha impulsado la necesidad de optimizar recursos mediante la predicción de movilidad vehicular, un enfoque significativo para garantizar servicios de comunicación confiables en entornos altamente dinámicos (Arabshahi, Partani, & Schotten, 2024). Así mismo, este proceso consiste en anticipar la trayectoria futura de los vehículos basándose en datos históricos y en tiempo real, permitiendo asignar de manera preventiva los recursos de red como el espectro, la potencia y el tiempo de transmisión (Ao et al., 2024).

Hay que resaltar, que la predicción de movilidad vehicular emplea algoritmos de aprendizaje automático, (ML, Machine Learning), y aprendizaje profundo, (DL, Deep Learning), para analizar patrones de movimiento, considerando factores como la velocidad, dirección y densidad vehicular (Gupta, Srivastava, & Kumar, 2025). Igualmente, estos métodos permiten que los nodos de red, tales como estaciones base o repetidores, realicen reservas anticipadas de ancho de banda o cambien dinámicamente la asignación de canal, reduciendo las pérdidas de conexión y mejorando la calidad de servicio, (QoS, Quality of Service) (Bohara & Srivastava, 2024).

En consecuencia, tecnologías como las superficies inteligentes reconfigurables, (RIS, Reconfigurable Intelligent Surfaces), y los vehículos aéreos no tripulados, (UAV, Unmanned Aerial Vehicles), desempeñan un rol esencial en la optimización de la movilidad vehicular en 6G, actuando como nodos móviles que adaptan las condiciones de propagación para fortalecer la conectividad (Zhao et al., 2024). De manera similar, la utilización de redes de comunicación cooperativa entre vehículos, (V2X, Vehicle-to-Everything), mejora la precisión de predicción y la eficiencia en la administración de recursos (Anh, 2024).

En otro orden de ideas, un ejemplo práctico de aplicación en 6G es el sistema de transporte público inteligente, donde los autobuses equipados con sensores y conectividad 6G transmiten continuamente su localización, velocidad y patrones de tráfico al centro de control, permitiendo optimizar rutas y asignar recursos de comunicación en función de la demanda prevista (Arabshahi, Partani, & Schotten, 2024). Asimismo, en los trenes de alta velocidad, la predicción de movilidad combinada con la optimización de señales de referencia permite reducir significativamente la latencia de comunicación y aumentar la estabilidad de las conexiones (Ao et al., 2024).

Además, se destaca el uso en redes urbanas vehiculares donde la anticipación de los movimientos permite activar mecanismos de ahorro energético en dispositivos móviles y estaciones base, aplicando técnicas de predicción de flujo vehicular y administración dinámica del tráfico de datos (Gupta, Srivastava, & Kumar, 2025). Paralelamente, aplicaciones de gestión de flotas de drones para entrega de paquetes utilizan predicciones de movilidad vehicular para adaptar sus trayectorias en tiempo real, evitando congestiones y mejorando los tiempos de entrega (Wang et al., 2025).

Con todo lo anterior, en términos de características, la predicción de movilidad en 6G se caracteriza por su baja latencia, alta confiabilidad, gran capacidad de procesamiento distribuido en el borde, (Edge Computing), y su integración con redes heterogéneas avanzadas como FiWi, (Fiber-Wireless), para asegurar comunicaciones continuas y eficientes (Bohara & Srivastava, 2024; Tian et al., 2024).

Dirección dinámica del haz según el contexto vehicular

Además, el sistema puede adaptar dinámicamente la dirección y forma del haz para evitar interferencias o bloqueos, dirigiendo la señal hacia rutas óptimas según el contexto vehicular (Liu et al., 2020).

Optimización de Enlaces Inalámbricos 6G Mediante Dirección Adaptativa de Haces

En cuanto a la dirección dinámica del haz electromagnético, se refiere a la capacidad de los sistemas inalámbricos para ajustar de manera continua y automática tanto la orientación como la forma del haz de señalización, con el objetivo de optimizar la transmisión de datos frente a obstáculos móviles, como vehículos. Esta funcionalidad se potencia mediante tecnologías como Massive Multiple-Input Multiple-Output, (Massive MIMO, Massive Multiple-Input Multiple-Output), que utiliza un gran número de antenas para formar haces estrechos y controlables, mejorando la eficiencia espectral y reduciendo interferencias (Wang et al., 2021).

De igual manera, el principio de funcionamiento se basa en sensores y algoritmos de inteligencia artificial, (AI, Artificial Intelligence), que monitorean constantemente el entorno para detectar cambios, como el movimiento de vehículos, peatones, de la ubicación de árboles y edificios. Gracias a esta retroalimentación en tiempo real, el sistema puede reconfigurar los haces electromagnéticos utilizando técnicas como el Beamforming Adaptativo, (Adaptive Beamforming, AB), asegurando que la señal siga rutas de menor obstrucción y máxima calidad (Chen et al., 2020).

Así mismo, las características esenciales de estas tecnologías incluyen alta estabilidad ante bloqueos dinámicos, optimización continua de la calidad de servicio, baja latencia en las comunicaciones y uso eficiente del espectro disponible. El uso de Redes Definidas por Software, (SDN, Software Defined Networking), permite gestionar dinámicamente los recursos de red, facilitando la adaptación rápida a los cambios en el entorno vehicular (Zhang et al., 2022).

En consecuencia, ejemplos prácticos de la aplicación de esta técnica en 6G incluyen sistemas de comunicación entre vehículos autónomos, donde la dirección dinámica del haz permite mantener una conexión estable en entornos urbanos densos. Por ejemplo, en un cruce de calles con múltiples automóviles, los haces se redirigen automáticamente para evitar la obstrucción causada por los mismos vehículos, garantizando la transmisión continua de datos críticos para la conducción autónoma (Lee et al., 2022).

Simultáneamente, otra aplicación es el soporte a drones de entrega automatizados en áreas metropolitanas, donde los edificios altos y el tráfico constante representan desafíos significativos. Aquí, mediante la dirección adaptativa del haz, se pueden mantener enlaces de alta calidad, ajustándose a la posición en constante cambio del dron y a las interferencias del entorno (Xu et al., 2021).

Por otro lado, el sector de las comunicaciones industriales también se beneficia de esta tecnología, especialmente en fábricas inteligentes, donde vehículos autónomos internos requieren conexiones inalámbricas ultraconfiables que deben sortear obstáculos como maquinaria móvil y estructuras metálicas. Gracias al uso de Inteligencia Artificial en el Edge, (Edge AI, Edge Artificial Intelligence), los haces se ajustan en tiempo real, asegurando comunicaciones de baja latencia y alta confiabilidad (González et al., 2023).

Aunado a esto, los sistemas de entretenimiento en movimiento, como autobuses turísticos equipados con redes 6G, pueden aprovechar la adaptación dinámica del haz para ofrecer a los usuarios experiencias de realidad aumentada, (AR, Augmented Reality), sin interrupciones, ajustando la señal para superar los bloqueos causados por otros vehículos o el entorno urbano (Kim et al., 2023).

Por último, en entornos de respuesta a emergencias, donde los escenarios cambian de manera impredecible, la capacidad de redireccionar rápidamente los haces de comunicación es vital para garantizar la transmisión de información crítica a los equipos de rescate, mejorando la eficiencia y seguridad de las operaciones (Ahmed et al., 2021).

Beamforming coordinado y aprendizaje profundo en entornos densos

En cuanto a la conformación de haces coordinada, esta técnica permite optimizar la transmisión mediante la colaboración entre estaciones base (BS), que comparten información contextual para adaptar sus haces de forma coordinada. Esta técnica se apoya en el análisis de pilotos recibidos por múltiples BS para generar firmas de frecuencia que luego son procesadas mediante redes neuronales convolucionales (CNN) para predecir la tasa máxima alcanzable de cada haz (Alkhateeb, Leus & Heath Jr., 2014; Zhang et al., 2018).

Simulación avanzada de propagación para validación predictiva

Del mismo modo, la herramienta Wireless Insite permite modelar con alta fidelidad la propagación de ondas electromagnéticas considerando elementos como edificios, vehículos y otras estructuras. A través del trazado de rayos y el modelado de múltiples configuraciones de antenas, se pueden simular distintos escenarios y cuantificar cómo la información contextual mejora la precisión del sistema (Remcom, 2023; Balanis, 2016; Rappaport, Sun & Samimi, 2015).

Seguimiento de haces basado en bases de datos dinámicas y aprendizaje automático

Desde la perspectiva del seguimiento de haces en comunicaciones entre vehículos e infraestructura, es posible mantener una base de datos dinámica que asocie pares de haces con segmentos de ubicación cuantificados. Asimismo, se han desarrollado modelos de aprendizaje automático que permiten estimar posiciones receptoras no discretas, logrando así una mayor precisión en entornos dinámicos donde los receptores se encuentran en movimiento constante. (Chen, Zhou & Wang, 2023; Va et al., 2017).

Técnicas vehiculares colaborativas para minimizar interferencias y optimizar la conexión

Mediante técnicas que integran información de múltiples vehículos, es posible predecir la calidad de la señal y seleccionar el haz más adecuado en función de la posición relativa de los elementos móviles. Estas estrategias permiten reducir las interferencias, anticipar la presencia de obstáculos y optimizar la conexión en tiempo real. (Shaham et al., 2019).

Aplicaciones del 6G en el Internet Industrial de las Cosas con drones como estaciones base

Es evidente que el despliegue de la sexta generación de redes móviles (6G, Sixth Generation) se perfila como una infraestructura esencial para las aplicaciones del Internet Industrial de las Cosas (IIoT, Industrial Internet of Things), donde los drones de comunicación operan como estaciones base (BS, Base Station), especialmente en entornos dinámicos y distribuidos. Un estudio reciente destaca cómo tecnologías como la gestión de haces (BM, Beam Management) y la formación activa de haces permiten mantener enlaces estables tanto en ondas milimétricas (mmWave, millimeter wave) como en bandas de terahercios (THz, Terahertz), mediante la adaptación dinámica de los haces a las condiciones cambiantes del canal. (Siddiky, Rahman & Uzzal, 2024).

Redes neuronales para predicción espacial y temporal en escenarios móviles

Posteriormente, se ha explorado el uso de algoritmos de aprendizaje automático (ML, Machine Learning) como apoyo en la predicción de haces, empleando datos contextuales como la ubicación del dispositivo o la información del estado del canal (CSI, Channel State Information). Por ejemplo, modelos basados en redes neuronales convolucionales (CNN, Convolutional Neural Networks) pueden aprender patrones espaciales y temporales que optimizan la tasa de transmisión de datos al anticipar con precisión los mejores haces para cada escenario (Chen et al., 2023; Hafi et al., 2024).

Ajuste dinámico de comunicación mediante conciencia situacional y sensores inteligentes

Además, una de las características más innovadoras de estos sistemas es su capacidad para incorporar conciencia situacional, permitiendo ajustar la comunicación en tiempo real según la movilidad de los vehículos o la presencia de obstáculos. Gracias al uso de tecnologías como la comunicación dedicada de corto alcance (DSRC, Dedicated Short-Range Communications), se logra integrar sensores como radar o lidar para enriquecer los datos del entorno y afinar las decisiones de formación de haces (beamforming) (Tan et al., 2024; Bhattacharya et al., 2024).

Simulación urbana detallada como soporte a modelos de movilidad

De igual modo, herramientas de simulación como Wireless Insite permiten recrear con alta fidelidad entornos urbanos complejos, incluyendo la propagación de ondas y el impacto de elementos físicos sobre las señales. Estas simulaciones son esenciales para validar modelos predictivos en escenarios de movilidad vehicular, donde los receptores no siguen trayectorias discretas (Remcom, 2023; Gao, 2019).

Cooperación entre estaciones base para cobertura mejorada y mínima interferencia

Por consiguiente, la conformación de haces coordinada, que involucra la cooperación entre múltiples estaciones base (BS, Base Stations) mediante el intercambio de firmas de frecuencia de radio, ha demostrado mejorar significativamente la cobertura y minimizar la interferencia, especialmente en entornos densamente poblados (Luan et al., 2024; Brik et al., 2024).

Modelos de predicción vehicular como soporte a enlaces móviles estables

Asimismo, el uso de modelos predictivos de movilidad vehicular permite prever la trayectoria futura de los dispositivos, lo cual facilita la gestión anticipativa del enlace y evita interrupciones de comunicación. Estos modelos aprovechan redes de aprendizaje automático (ML) entrenadas con históricos de movimiento y datos sensoriales del entorno (Szott et al., 2022).

De esta manera, el ecosistema 6G (Sixth Generation) para el IIoT (Industrial Internet of Things) utilizando drones como estaciones base (BS) se apoya en un conjunto sinérgico de tecnologías emergentes que van desde el aprendizaje automático (ML) hasta la simulación de ondas. Estas innovaciones permiten optimizar los recursos de red, mejorar la eficiencia energética y garantizar la calidad del servicio en escenarios con alta densidad de dispositivos y exigencias de baja latencia (Chen et al., 2023; Siddiky et al., 2024).

El impacto de la predicción de haces y conciencia situacional en la transformación digital del ecosistema 6G

Queda claro, que el desarrollo de técnicas avanzadas de predicción de haces electromagnéticos, sustentadas en aprendizaje automático (ML, Machine Learning) y conciencia situacional, está sentando las bases para una transformación radical del ecosistema de las telecomunicaciones móviles. Por ejemplo, en entornos urbanos, la integración de datos provenientes de sensores de vehículos permite predecir la trayectoria y las condiciones del canal, asegurando una conectividad fluida incluso en movimiento. Esto resulta fundamental para el despliegue de aplicaciones como el Internet Industrial de las Cosas (IIoT, Industrial Internet of Things), donde los drones como estaciones base (BS, Base Station) desempeñan un papel estratégico en la cobertura de áreas remotas o de difícil acceso (Siddiky et al., 2024; Szott et al., 2022).

Beamforming colaborativo como solución en entornos densos y críticos

Asimismo, la coordinación entre múltiples estaciones base (BS) mediante conformación de haces colaborativa (collaborative beamforming) representa un avance significativo en la gestión de interferencias y cobertura. Esta técnica, apoyada en redes neuronales convolucionales (CNN, Convolutional Neural Networks) que analizan firmas de frecuencia de radio (RFF, Radio Frequency Fingerprints), demuestra cómo la cooperación entre nodos puede mejorar notablemente la calidad del servicio en entornos densos como estadios, centros urbanos y zonas industriales (Zhang et al., 2018; Luan et al., 2024).

Gestión energética y continuidad del enlace en aplicaciones vehiculares críticas

Por otra parte, el enfoque centrado en la movilidad vehicular no solo optimiza la calidad de la señal, sino que también ofrece ventajas en la gestión energética, al reducir la necesidad de barridos de haces (beam sweeping) y ajustes manuales. Esto cobra aún más relevancia cuando se consideran aplicaciones críticas como la conducción autónoma (autonomous driving), la gestión del tráfico (traffic management) o la comunicación entre infraestructuras inteligentes (smart infrastructure communications), donde la continuidad del enlace puede significar la diferencia entre el éxito y el fracaso de una operación (Chen et al., 2023; Liu et al., 2020).

Redes 6G como plataforma habilitadora para transformación digital e inclusión

En consecuencia, la adopción de estas tecnologías no solo representa una mejora en el rendimiento de las redes móviles, sino también una oportunidad para democratizar el acceso a la conectividad avanzada. Desde la automatización industrial (industrial automation) hasta la salud digital (digital health), pasando por la logística inteligente (smart logistics), las redes 6G, con capacidad predictiva e inteligencia contextual, abrirán un mundo de posibilidades para las generaciones futuras. Por ello, es fundamental continuar investigando, experimentando y desarrollando soluciones que integren estas tecnologías, no solo como herramientas técnicas, sino como motores de transformación social y económica a nivel global (Bhattacharya et al., 2024; Yang et al., 2020).

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.