4.8- Aplicaciones Críticas de la 6G: Telemedicina, Vehículos Autónomos y Ciudades Inteligentes

Por: Anne Marie Madoni

Revisar literatura recomendada

08/05/2025

Innovaciones clave para la conectividad 6G: aprendizaje en línea, algoritmos MAB y redes neuronales

En la actualidad, el desarrollo de tecnologías de comunicación avanzadas se ha convertido en un pilar fundamental para el progreso de la humanidad. La transición hacia la sexta generación de redes móviles (6G) promete revolucionar la forma en que interactuamos con el mundo digital, ofreciendo velocidades de transmisión sin precedentes, latencias ultrabajas y una conectividad ubicua (Brilhante et al., 2023). En este contexto, el aprendizaje en línea, los algoritmos de Multi-Armed Bandit (MAB) y las redes neuronales profundas emergen como herramientas esenciales para optimizar la gestión de haces en entornos dinámicos y complejos (Va et al., 2018; Demirhan & Alkhateeb, 2021).

De esta manera, los algoritmos Multi-Armed Bandit, (MAB), representan una estrategia esencial dentro del campo del aprendizaje en línea, enfocándose en la optimización de la toma de decisiones secuenciales bajo incertidumbre (Lattimore & Szepesvári, 2020). Por consiguiente, estos algoritmos abordan el clásico dilema de exploración-explotación al asignar recursos limitados a opciones que varían en recompensa esperada, lo cual resulta imprescindible en entornos de conectividad 6G donde los recursos deben adaptarse dinámicamente (Bubeck & Cesa-Bianchi, 2012).

De forma complementaria, el funcionamiento de los algoritmos MAB puede entenderse mediante la analogía de un jugador en un casino que debe elegir entre varias máquinas tragamonedas, cada una con una probabilidad diferente de éxito. Posteriormente, el jugador debe balancear entre probar nuevas máquinas (exploración) y seguir apostando en las que parecen más rentables (explotación). Así, en el ámbito 6G, un ejemplo claro radica en la selección de haces electromagnéticos para comunicaciones inalámbricas de ondas milimétricas (mmWave, millimeter Wave), donde cada haz representa un «brazo» y el sistema debe decidir cuál proporciona la mejor calidad de señal en tiempo real (Li et al., 2021).

Adicionalmente, los algoritmos MAB han sido adaptados a versiones más complejas como Contextual Bandits, donde cada decisión se toma considerando un conjunto de características del contexto, que en 6G incluyen parámetros como ubicación, velocidad de los usuarios y condiciones de propagación del canal (Tang et al., 2022). En consecuencia, el uso de algoritmos Contextual Bandits facilita una personalización de las estrategias de comunicación, optimizando la eficiencia espectral y reduciendo la latencia.

En otro orden de ideas, algunas características sobresalientes de los algoritmos MAB incluyen su capacidad para operar en entornos no estacionarios, su adaptabilidad a cambios dinámicos y su bajo requerimiento de retroalimentación, factores decisivos en redes móviles emergentes donde los usuarios se desplazan constantemente y las condiciones de red varían de forma impredecible (Auer et al., 2002). De esta manera, los algoritmos MAB permiten a los sistemas 6G tomar decisiones ágiles sobre qué rutas de comunicación o configuraciones utilizar sin necesidad de un conocimiento previo exhaustivo.

Por ejemplo, en aplicaciones prácticas, los algoritmos MAB pueden implementarse para optimizar la gestión de recursos en redes de acceso de radio distribuidas (DRAN, Distributed Radio Access Network), donde cada estación base debe decidir dinámicamente a qué usuario atender para maximizar la eficiencia de la red global (Li et al., 2022). Asimismo, otra aplicación relevante se da en redes vehiculares de próxima generación (V2X, Vehicle-to-Everything), donde la infraestructura de comunicación debe adaptarse en tiempo real a patrones de tráfico cambiantes para garantizar una transmisión de datos fiable y ultrarrápida (Zhou et al., 2021).

Por ende, es importante resaltar que la integración de algoritmos MAB en redes 6G también impulsa avances en sostenibilidad, ya que permiten una gestión más eficiente de los recursos energéticos mediante la asignación dinámica de canales y potencias de transmisión, lo que es fundamental para cumplir con los objetivos de redes verdes en el futuro (Chen et al., 2022).

Asimismo, las redes neuronales profundas, (DNN, Deep Neural Networks), constituyen una evolución de los modelos de aprendizaje automático, que emplean arquitecturas de múltiples capas ocultas para procesar grandes cantidades de datos de manera eficiente (Goodfellow et al., 2016). De manera similar, en el ámbito de la tecnología de comunicaciones móviles de sexta generación, (6G, Sixth Generation Mobile Networks), las redes DNN son vitales para resolver problemas complejos como la gestión de haces electromagnéticos de los enlaces inalámbricos y la predicción de la calidad de los canales en tiempo real (Strinati et al., 2021).

Es esencial destacar, que el funcionamiento de las redes DNN se basa en la imitación del comportamiento del cerebro humano, donde las «neuronas» artificiales están organizadas en capas, y cada neurona aplica una función de activación para transformar la entrada en una salida destinada a la siguiente capa (LeCun et al., 2015). Igualmente, estas arquitecturas permiten realizar tareas como clasificación, regresión y detección de patrones con una precisión superior, debido a su capacidad de extraer automáticamente características relevantes de los datos brutos (Schmidhuber, 2015).

Adicionalmente, en el contexto de las redes 6G, el uso de las redes DNN se extiende a diversas aplicaciones como la formación inteligente de haces electromagnéticos de los enlaces inalámbricos para comunicaciones masivas de múltiples entradas y múltiples salidas, (mMIMO, massive Multiple Input Multiple Output), la optimización dinámica de la asignación de recursos de red, y la predicción anticipativa de movilidad de usuarios (Zhang et al., 2020). De igual forma, se han implementado técnicas basadas en aprendizaje profundo, (DL, Deep Learning), para gestionar redes autoorganizadas y para soportar comunicaciones de baja latencia y ultra alta fiabilidad, (URLLC, Ultra-Reliable Low Latency Communications) (Sana et al., 2022).

Como ilustración de estas tecnologías, la imagen destacada del artículo muestra un café universitario del futuro, bañado por luz natural que se filtra a través de amplios ventanales, creando un ambiente cálido e inspirador. En este entorno inmersivo y tecnológicamente avanzado, los estudiantes interactúan con herramientas educativas de última generación: hologramas flotantes, modelos tridimensionales y gráficos en tiempo real proyectados sobre mesas inteligentes. Equipados con gafas XR y dispositivos plegables, los jóvenes participan activamente en una clase guiada por un profesor holográfico, mientras tecnologías como 6G, inteligencia artificial y realidad extendida impulsan un conocimiento en constante evolución. Al fondo, drones transportan materiales académicos, completando una escena donde la innovación, la conectividad y la colaboración definen el aprendizaje del mañana.

Impacto de las Redes Convolucionales en la Calidad del Enlace 6G

Por otra parte, un ejemplo práctico se encuentra en el uso de redes convolucionales profundas, (CNN, Convolutional Neural Networks), para predecir la calidad de enlace en redes vehiculares 6G, mejorando así la eficiencia de transmisión de datos en escenarios altamente dinámicos como ciudades inteligentes (He et al., 2022). Junto con ello, en otro caso, se ha demostrado la eficacia de redes recurrentes, (RNN, Recurrent Neural Networks), y sus variantes avanzadas como las de memoria a largo y corto plazo, (LSTM, Long Short-Term Memory), para realizar predicciones de movilidad de usuarios en tiempo real, cruciales para la continuidad del servicio en entornos urbanos densos (Wang et al., 2021).

A partir de ello, en primer lugar, las redes convolucionales profundas, (CNN, Convolutional Neural Networks), representan una evolución significativa en el procesamiento de datos de alta dimensión, especialmente en tareas de análisis de imágenes y señales. Estas arquitecturas, basadas en la conexión entre capas neuronales jerárquicas, permiten extraer automáticamente características relevantes sin necesidad de ingeniería manual, lo que resulta indispensable en entornos de comunicación móvil avanzados como la 6G (Li et al., 2023). De este modo, las redes CNN consisten en capas convolucionales, capas de agrupamiento y capas totalmente conectadas, organizadas para reducir la complejidad computacional mientras mantienen la calidad de la extracción de características (Yang et al., 2022).

Por otro lado, cabe señalar que el funcionamiento de una red convolucional profunda inicia mediante la aplicación de filtros convolucionales que escanean las entradas para detectar patrones locales, como bordes o texturas, en los datos iniciales. Posteriormente, las capas de agrupamiento reducen la dimensionalidad de las representaciones, permitiendo una generalización más robusta y una reducción del riesgo de sobreajuste, lo cual es de suma importancia en aplicaciones de predicción de calidad de enlace en la tecnología 6G (Zhang et al., 2022). De esta forma, las capas completamente conectadas realizan la clasificación o predicción basándose en las características extraídas en las etapas previas, optimizando el rendimiento a través de técnicas de retropropagación del error y aprendizaje profundo (Gupta et al., 2023).

De manera similar, en el contexto de la tecnología 6G, redes CNN han demostrado ser fundamentales para mejorar la calidad y eficiencia de las comunicaciones móviles. Por ejemplo, en las redes vehiculares 6G, las CNN se utilizan para anticipar la calidad de los enlaces de comunicación entre vehículos, facilitando decisiones dinámicas de asignación de recursos y selección de rutas de datos (He et al., 2022). Así, a través de modelos entrenados en grandes volúmenes de datos vehiculares históricos y en tiempo real, las CNN predicen caídas de señal, interrupciones y congestión de red, optimizando la experiencia de usuario en ciudades inteligentes.

A la par, en otros casos prácticos, las redes CNN aplicadas a la 6G han sido empleadas para la predicción y gestión de espectro dinámico, fundamental en escenarios donde los recursos de comunicación son limitados y deben ser asignados de manera eficiente. Por ejemplo, utilizando redes convolucionales para analizar espectrogramas de frecuencia en tiempo real, los sistemas 6G pueden identificar y predecir patrones de uso del espectro, adaptando sus estrategias de transmisión para maximizar el rendimiento (Khan et al., 2023).

Adicionalmente, en ámbitos industriales, las redes CNN se han integrado en sistemas de comunicaciones 6G para el control y monitorización de robots en entornos de fábricas inteligentes. En este sentido, las redes permiten una identificación precisa de obstáculos, condiciones ambientales y estados de operación de las máquinas mediante la interpretación de flujos de datos sensoriales multicanal, asegurando una operación segura y eficiente (Patel et al., 2023).

En consecuencia, las características más relevantes de las redes convolucionales profundas incluyen su capacidad de aprendizaje jerárquico de características, tolerancia al ruido en los datos de entrada, escalabilidad para grandes conjuntos de datos y adaptabilidad para diversas tareas, desde clasificación hasta predicción y segmentación (Cheng et al., 2022). Todo ello resulta crítico en el despliegue de tecnologías móviles 6G, donde la variabilidad y complejidad del entorno exige soluciones adaptativas e inteligentes.

Por ende, las redes convolucionales CNN aplicadas a la 6G no sólo mejoran la calidad de servicio, sino que también habilitan nuevos modelos de comunicación basados en predicción preventiva y adaptación automática, componentes esenciales en visiones de ciudades inteligentes, fábricas del futuro y redes vehiculares autónomas. En definitiva, el avance y la integración de redes convolucionales profundas con tecnologías 6G representan un paso trascendental hacia la creación de entornos de comunicación ultraconectados, fiables y autosostenibles (Wang et al., 2022).

Autoencoders y Aprendizaje por Refuerzo Profundo: Claves del 6G

A su vez, para mejorar la eficiencia energética en las redes 6G, investigaciones recientes han propuesto el uso de autoencoders, (AE, Autoencoders), para la compresión de información de estado del canal, permitiendo una reducción significativa en la cantidad de datos necesarios para optimizar la comunicación (Liu et al., 2022). En paralelo, las arquitecturas de aprendizaje por refuerzo profundo, (DRL, Deep Reinforcement Learning), han sido implementadas exitosamente para la selección óptima de recursos en redes 6G, adaptándose de forma inteligente a la variabilidad del entorno (Zhang et al., 2021).

Cabe señalar, que los autoencoders (AE, Autoencoders), como redes neuronales diseñadas para aprender una representación eficiente, codifican la entrada en un espacio de características reducido, y posteriormente la decodifican para recuperar la información original (Hinton & Salakhutdinov, 2006). A diferencia de otros métodos de reducción de dimensionalidad, los AE aprenden de manera no supervisada, capturando las estructuras subyacentes de los datos de entrada sin requerir etiquetas explícitas. Así, el proceso implica dos componentes principales: el codificador, que transforma los datos en una representación comprimida, y el decodificador, que intenta reconstruir los datos originales a partir de esta representación (Goodfellow et al., 2016).

Por otra parte, al profundizar en su funcionamiento, los AE optimizan su entrenamiento minimizando una función de pérdida que mide la diferencia entre los datos originales y su reconstrucción, como puede ser el error cuadrático medio. En consecuencia, son ampliamente utilizados para tareas de compresión, detección de anomalías y preprocesamiento de datos (Masci et al., 2011). Un ejemplo práctico se encuentra en la compresión del estado del canal en redes 6G, donde los AE permiten reducir el volumen de información necesaria para la transmisión sin perder precisión, mejorando así la eficiencia del consumo de energía eléctrica de la red (Liu et al., 2022).

Además de esto, conviene destacar que las arquitecturas de aprendizaje por refuerzo profundo, (DRL, Deep Reinforcement Learning), combinan el aprendizaje por refuerzo clásico con redes neuronales profundas para resolver problemas de decisión secuencial en entornos de alta dimensionalidad (Mnih et al., 2015). Mediante este enfoque, un agente interactúa con su entorno tomando decisiones que maximizan una recompensa acumulativa, aprendiendo estrategias óptimas a partir de su experiencia.

Deep Q-Network y Proximal Policy Optimization en Comunicaciones 6G: Funcionamiento y Aplicaciones

Al mismo tiempo, en cuanto al funcionamiento, el aprendizaje DRL utiliza redes neuronales profundas como aproximadores de funciones para estimar políticas o valores de estado-acción, permitiendo actuar eficazmente en contextos donde el espacio de estados es continuo o muy grande. Como resultado, los algoritmos de aprendizaje DRL, tales como el Deep Q-Network, (DQN, Deep Q-Network), o el Proximal Policy Optimization, (PPO, Proximal Policy Optimization), han demostrado capacidades sobresalientes en áreas como la robótica, la automatización de redes y la gestión de recursos (Schulman et al., 2017).

En otro orden de ideas, cuando se exploran ejemplos prácticos, en redes 6G los sistemas basados en aprendizaje DRL han sido aplicados exitosamente para la asignación dinámica de canales, optimización de la potencia de transmisión, y selección adaptativa de rutas, todo ello respondiendo a la variabilidad inherente del entorno de comunicaciones móviles (Zhang et al., 2021). Por ejemplo, un algoritmo de aprendizaje DRL podría aprender a asignar bandas de frecuencia de manera autónoma en función de la congestión detectada, maximizando el rendimiento general de la red.

Es relevante destacar, que el Red Q Profunda, (DQN, Deep Q-Network), representa una metodología de aprendizaje reforzado profundo que combina redes neuronales con algoritmos de Q-Learning convencionales, permitiendo a los agentes tomar decisiones óptimas en entornos de alta dimensionalidad (Mnih et al., 2015). Por consiguiente, la tecnología DQN utiliza una red neuronal como aproximador de la función Q, recibiendo un estado como entrada y devolviendo un valor Q para cada acción posible, lo cual permite a los agentes seleccionar acciones que maximicen las recompensas acumuladas (Arulkumaran et al., 2017). A modo de ejemplo, en un entorno de red 6G, un agente de la red DQN podría gestionar la asignación dinámica de canales, aprendiendo patrones de congestión en tiempo real para optimizar el uso del espectro.

Simultáneamente, al analizar su funcionamiento, la red DQN opera mediante el uso de técnicas como la memoria de repetición de experiencias, donde se almacenan transiciones pasadas para ser reutilizadas en el entrenamiento, rompiendo así las correlaciones temporales entre las muestras y estabilizando el aprendizaje (Mnih et al., 2015). De igual manera, se emplea una red de destino que se actualiza periódicamente para proporcionar valores objetivo más estables durante el proceso de optimización, lo cual mejora la convergencia del agente (Li, 2017).

En otro contexto, la Optimización Controlada de Estrategias de Acción, (PPO, Proximal Policy Optimization), constituye un algoritmo de optimización que busca actualizar los parámetros de la estrategia de manera que los cambios sean pequeños y estables, mediante la introducción de un término de penalización en la función objetivo que restringe el tamaño del paso de actualización (Schulman et al., 2017). En efecto, la PPO trabaja sobre métodos de gradiente de estrategias de acción, mejorando la estabilidad y el rendimiento en entornos de aprendizaje continuo y de alta variabilidad como los encontrados en redes 6G (Engel et al., 2022).

Adicionalmente, la optimización PPO implementa técnicas de recorte en la función de probabilidad, evitando que las actualizaciones de la política sean demasiado agresivas, lo que permite que el aprendizaje sea más eficiente y menos propenso a la divergencia, incluso en espacios de acción grandes y complejos como los que caracterizan la infraestructura de comunicación 6G (Wang et al., 2019). En este sentido, un ejemplo práctico sería el uso de la PPO para la gestión adaptativa de rutas en redes vehiculares 6G, donde las condiciones de movilidad y conectividad cambian de forma extremadamente dinámica.

De igual modo, considerando aplicaciones prácticas, se ha demostrado que tecnologías basadas en la Red Q Profunda, (DQN, Deep Q-Network) y en la Optimización Controlada de Estrategias de Acción, (PPO, Proximal Policy Optimization), mejoran significativamente tareas críticas en redes 6G como la optimización de potencia de transmisión, la coordinación de acceso múltiple y la asignación inteligente de recursos de espectro (Zhang et al., 2021). Por ejemplo, un sistema de comunicaciones 6G podría utilizar la optimización PPO para ajustar dinámicamente los niveles de potencia de transmisión en función de la calidad del canal, maximizando la eficiencia energética y reduciendo la interferencia entre dispositivos móviles.

Cabe subrayar, además, que tanto la red DQN como la optimización PPO son fundamentales en la investigación hacia redes 6G auto-organizadas, estables y adaptativas, ya que permiten a los sistemas aprender comportamientos óptimos en escenarios no estacionarios, elevando la robustez y la eficiencia global de las redes futuras (Chen et al., 2022). Por tanto, el uso de aprendizaje reforzado profundo en la comunicación 6G no solo optimiza parámetros de operación, sino que también impulsa nuevas arquitecturas de red inteligentes.

Como consecuencia, en el contexto de la 6G, tecnologías complementarias como los algoritmos Multi-Armed Bandit, (MAB), y el aprendizaje federado, (FL, Federated Learning), están siendo integradas con los autoencoders (AE, Autoencoders), y el aprendizaje por refuerzo profundo, (DRL, Deep Reinforcement Learning), para abordar las limitaciones técnicas de escalabilidad, privacidad y dinamismo (Nguyen et al., 2021). Por ejemplo, combinando aprendizaje FL con DRL se pueden desarrollar sistemas de optimización de red que respeten la privacidad de los datos del usuario al realizar el aprendizaje de manera distribuida, sin necesidad de transferir información sensible a servidores centrales.

Así, entre las aplicaciones más notables destacan el uso de autoencoders AE para la codificación eficiente de la información del estado del canal y de aprendizaje DRL para la gestión inteligente de recursos radioeléctricos, elementos esenciales para el éxito de las futuras redes móviles 6G (Chen et al., 2022). Esto ilustra claramente cómo estas tecnologías, lejos de ser conceptos aislados, se presentan como pilares fundamentales para garantizar una conectividad más eficiente, robusta y adaptativa en la nueva generación de comunicaciones móviles.

Podemos asegurar, que las redes DNN representan una herramienta indispensable para el despliegue exitoso de la conectividad 6G, integrándose con otras tecnologías emergentes como los algoritmos Multi-Armed Bandit, (MAB), y el aprendizaje federado, (FL, Federated Learning), para enfrentar los nuevos retos de escalabilidad, privacidad y dinamismo que caracterizan a esta nueva era de la comunicación inalámbrica (Nguyen et al., 2021).

Avances tecnológicos clave para la transición hacia redes móviles 6G

A medida que las aplicaciones móviles se diversifican y exigen una mayor calidad de servicio, la necesidad de sistemas de comunicación más inteligentes y adaptativos se vuelve imperativa. El aprendizaje en línea permite a los sistemas ajustarse en tiempo real a las condiciones cambiantes del entorno, mejorando la eficiencia y la fiabilidad de las conexiones (Va et al., 2018). Los algoritmos de Aprendizaje de Bandido Multibrazo (MAB, Multi-Armed Bandit), por su parte, ofrecen un marco sólido para la toma de decisiones en situaciones de incertidumbre, equilibrando la exploración de nuevas opciones con la explotación de conocimientos previos (Sutton & Barto, 2018). Las redes neuronales profundas, con su capacidad para modelar relaciones complejas y no lineales, facilitan la predicción precisa de los pares de haces más eficaces, incluso en escenarios altamente variables (ElHalawany & El-Badawy, 2021; Xu et al., 2024).

Aplicaciones emergentes del aprendizaje automático en 6G: telemedicina, ciudades inteligentes y XR

Estas tecnologías no solo son relevantes para la mejora de las comunicaciones móviles, sino que también tienen un impacto significativo en áreas críticas como la telemedicina, la realidad extendida y las ciudades inteligentes. Por ejemplo, en entornos urbanos densamente poblados, donde la señal puede verse afectada por numerosos obstáculos, la combinación de aprendizaje en línea y redes neuronales permite mantener una conectividad estable y de alta calidad (Rezaie & Khalaj, 2021). Asimismo, en aplicaciones médicas, como el monitoreo remoto de pacientes, estas tecnologías aseguran una transmisión de datos fiable y en tiempo real, lo que es necesario para la toma de decisiones clínicas oportunas (Mohamed, 2021).

En función de esto, la integración de aprendizaje en línea, algoritmos MAB y redes neuronales profundas en los sistemas 6G representa un avance significativo hacia tecnologías de comunicación más robustas, eficientes y adaptativas. Estas innovaciones no solo mejoran la experiencia del usuario, sino que también abren nuevas posibilidades para aplicaciones críticas en diversos sectores, marcando un hito en la evolución de las tecnologías de la información y la comunicación (Wang et al., 2021).

Convergencia de aprendizaje en línea y MAB para optimización de haces 6G

En primer lugar, motivados por habilitar capacidades de aprendizaje en línea en sistemas de comunicación avanzados, se ha propuesto un marco de seguimiento basado en el modelo de Multi-Armed Bandit (MAB), el cual se apoya en información de ubicación. Específicamente, este enfoque permite que, para una ubicación dada, el sistema aprenda de mediciones de haces previamente registradas. Estos parámetros se almacenan y actualizan en la estación base (BS) tras cada intento de alineación, creando así una base de datos dinámica que vincula ubicaciones con pares de haces específicos.

Selección eficiente de haces basada en ubicación y calidad de señal

Posteriormente, cada vez que un equipo de usuario (UE) se encuentra en una ubicación ya almacenada, el sistema selecciona un subconjunto de haces electromagnéticos para la conexión inalámbrica, potencialmente más adecuados, sobre los cuales se realiza un barrido para identificar el haz óptimo. Este proceso se modela como un problema de aprendizaje en línea, donde cada haz es un “brazo” de una máquina tragamonedas, y la recompensa corresponde a métricas como la calidad de señal o velocidad de transmisión de datos alcanzada (Va et al., 2019).

Aprendizaje iterativo basado en datos para refinar estrategias de conexión

Adicionalmente, la ubicación del usuario se emplea como una característica esencial para guiar la exploración y explotación de haces electromagnéticos, permitiendo seleccionar aquellos que históricamente han demostrado buen desempeño en ubicaciones similares. De este modo, el sistema realiza un proceso iterativo de actualización basado en nuevos datos, refinando continuamente su estrategia (Nor et al., 2022).

Integración del aprendizaje por refuerzo para decisiones inteligentes de conectividad

Seguidamente, el procedimiento de aprendizaje descrito se integra con técnicas de refuerzo, en las cuales las decisiones de selección se optimizan a partir de retroalimentación obtenida de la señal (Sutton & Barto, 2018). Esto permite seleccionar haces no de forma aleatoria, sino fundamentándose en evaluaciones precisas del entorno y condiciones de propagación, con el fin de mejorar la eficiencia comunicacional (Mohamed, 2021).

Adaptabilidad del sistema ante entornos cambiantes y condiciones dinámicas

Además, dado que las condiciones del entorno son inherentemente dinámicas, el sistema debe adaptarse a factores como cambios climáticos, nuevos obstáculos y variaciones urbanas. La recopilación y análisis continuo de estas mediciones es esencial para asegurar un rendimiento comunicacional robusto (Wang et al., 2021).

Optimización de comunicación en áreas urbanas y rurales mediante aprendizaje adaptativo

En consecuencia, el objetivo principal del sistema es maximizar el rendimiento de la comunicación en cada ubicación, minimizando las interrupciones y garantizando la calidad del servicio. Esto es especialmente relevante en entornos urbanos y rurales, donde la señal puede verse afectada por edificaciones o vegetación. La optimización de la comunicación mediante el aprendizaje adaptativo permite alcanzar este objetivo (Mohamed et al., 2020).

Desempeño robusto en condiciones atmosféricas adversas con ajuste de haces en tiempo real

Asimismo, en aplicaciones donde estabilidad y velocidad son críticas —como internet satelital—, el sistema debe ser capaz de ajustar en tiempo real los haces electromagnéticos de los enlaces inalámbricos para mantener la calidad de la señal, incluso bajo condiciones atmosféricas adversas (Susarla et al., 2022).

Adaptación geográfica y poblacional dinámica en ciudades inteligentes con IA

En esta misma línea, este tipo de sistema puede evolucionar constantemente, gracias a la incorporación de aprendizaje automático y análisis de datos, adaptándose a densidades poblacionales variables y configuraciones geográficas cambiantes, propias de ciudades inteligentes (Rezaie et al., 2021).

Aplicación de MAB para comunicaciones vehiculares más efectivas

De igual manera, un ejemplo de aplicación práctica de esta técnica puede observarse en sistemas de comunicación vehicular. A medida que los vehículos se desplazan por diferentes zonas, las condiciones de propagación varían; sin embargo, el marco del algoritmo MAB puede aprender cuáles haces resultan más efectivos por zona, mejorando así la calidad de la comunicación vehicular (Prasath & Gokulakrishnan, 2023).

Reducción de latencia en vehículos conectados mediante selección predictiva de haces

Por consiguiente, este tipo de sistemas permite minimizar la latencia, ya que no es necesario realizar exploraciones exhaustivas cada vez que un vehículo entra en una nueva área. En su lugar, se utilizan predicciones generadas mediante algoritmos de aprendizaje para realizar selecciones eficientes (Mohamed et al., 2022).

Limitaciones de técnicas asistidas por ubicación en contextos peatonales

Por otro lado, las técnicas asistidas por ubicación fueron inicialmente desarrolladas para escenarios vehiculares donde la orientación del receptor se mantiene relativamente constante. Sin embargo, esto no aplica en contextos peatonales, donde la orientación del receptor cambia frecuentemente debido al comportamiento humano.

Incorporación de orientación del receptor en redes neuronales para entornos móviles

Frente a este reto, ha sido desarrollado un método de seguimiento que incorpora tanto la ubicación como la orientación del receptor como entrada a redes neuronales profundas (DNN). Estas redes capturan la estructura ambiental y predicen la probabilidad de éxito de cada par de haces en función de su contexto espacial (Xu et al., 2024).

Redes neuronales profundas como solución para la conectividad en escenarios móviles complejos

En efecto, la técnica basada en redes neuronales profundas, (DNN, Deep Neural Networks), se consolida como una solución efectiva para entornos dinámicos y móviles, tales como redes vehiculares, redes de drones o usuarios urbanos, permitiendo predecir con alta precisión los pares de haces más eficaces en tiempo real (ElHalawany et al., 2021).

Aplicaciones avanzadas del aprendizaje automático en el IoMT y la telemedicina 6G

El avance de las tecnologías inalámbricas ha impulsado el desarrollo de aplicaciones innovadoras en el Internet de las Cosas Médico (IoMT) y la telemedicina en entornos 6G. Soluciones como las estaciones base móviles a través de drones, el uso de frecuencias milimétricas (mmWave) y de los terahercios (THz), junto con la integración de inteligencia artificial (IA) y realidad extendida (XR, Extended Reality), están redefiniendo la conectividad y la atención médica remota. Estas tecnologías permiten ofrecer servicios más rápidos, precisos y personalizados, adaptándose a los desafíos de un entorno digital cada vez más exigente.

Optimización de enlaces móviles en hospitales y ambulancias con algoritmos MAB

En primer término, los algoritmos de Múltiples Brazos de Bandido, (MAB, Multi-Armed Bandit), han sido utilizados como método adaptativo en la optimización de enlaces de comunicación, siendo imprescindibles en entornos móviles como hospitales de campaña o ambulancias autónomas conectadas a redes 6G. Estos algoritmos permiten seleccionar el mejor haz electromagnético de comunicación disponible del enlace inalámbrico, evaluando el retorno esperado sin necesidad de una exploración exhaustiva en cada iteración (Va et al., 2019).

Adaptación en tiempo real de los haces electromagnéticos, en zonas rurales o complejas con aprendizaje en línea

Es importante resaltar, que el aprendizaje en línea se integra en la selección de haces en sistemas móviles, lo que permite adaptar la comunicación en tiempo real frente a variaciones topográficas o climáticas, como en zonas rurales o selváticas donde opera la telemedicina asistida por drones. Este tipo de aprendizaje utiliza históricos de conexión previos para predecir el haz electromagnético del enlace óptimo, en una ubicación dada (Nor et al., 2022).

Exploración vs. explotación en comunicaciones críticas para pacientes en movimiento

A continuación, el dilema entre exploración y explotación se presenta cuando el sistema debe decidir si usar un haz previamente eficaz o probar otros nuevos que podrían ser mejores. En contextos como atención remota a pacientes críticos en movimiento (e.g., ambulancias), un balance preciso entre estos dos enfoques puede significar una mayor probabilidad de éxito en la transmisión de datos médicos críticos (Sutton & Barto, 2018).

En este marco, exploración se refiere a la búsqueda activa de nuevas opciones de comunicación, como probar diferentes haces de señal, rutas o frecuencias, con la posibilidad de encontrar soluciones más eficientes en un entorno cambiante. Por otro lado, explotación consiste en utilizar las mejores opciones conocidas hasta el momento para asegurar una comunicación estable y confiable. En redes 6G, donde la alta movilidad, el uso de frecuencias como las ondas mmWave o de los THz, y la necesidad de baja latencia son críticos, gestionar adecuadamente este equilibrio permite mantener la calidad de servicio incluso en situaciones altamente dinámicas, como el traslado de pacientes en ambulancias equipadas con estaciones base móviles.

Uso de historial de rendimiento para decisiones más inteligentes en estaciones base móviles

Por otro lado, la actualización dinámica de las bases de datos que vinculan ubicaciones con haces electromagnéticos de los enlaces inalámbricos óptimos, permite una operación más inteligente. Las estaciones base voladoras, por ejemplo, adaptan su estrategia de comunicación al historial de rendimiento registrado en diferentes alturas o zonas urbanas densas (Mohamed, 2021).

Cómo la Realidad Extendida y el IoT Médico Transforman la Cirugía Remota en 6G

De manera complementaria, el barrido de haces sobre subconjuntos optimizados, también conocido como barrido selectivo, permite reducir la latencia y la carga computacional. En escenarios de Realidad Extendida (XR, Extended Reality) quirúrgicos a distancia, esta capacidad es vital para asegurar una experiencia de realidad aumentada en tiempo real (Wang et al., 2021).

Desde luego, la Realidad Extendida, (XR, Extended Reality), abarca las tecnologías que combinan los mundos físico y digital, incluyendo la realidad virtual, aumentada y mixta, lo cual permite nuevas maneras de interactuar con los datos en entornos quirúrgicos a distancia (Guedria et al., 2022). Además, el Internet de las cosas médico, (MIoT, Medical Internet of Things), integra dispositivos interconectados que recopilan, procesan y transmiten información de salud en tiempo real, mejorando la precisión y velocidad en procedimientos remotos (Dastjerdi et al., 2022).

Por otro lado, la XR funciona creando entornos inmersivos o superpuestos utilizando sensores, cámaras y pantallas, mientras que el MIoT depende de redes de comunicación para conectar dispositivos como monitores de signos vitales, robots quirúrgicos y plataformas de análisis en la nube (Topal et al., 2022). En conjunto, estas tecnologías permiten que un cirujano, ubicado a miles de kilómetros, pueda realizar operaciones asistidas en tiempo real con asistencia de dispositivos que traducen movimientos precisos en el sitio del paciente (Qayyum et al., 2022).

En consecuencia, en los escenarios quirúrgicos a distancia de realidad extendida XR, la 6G proporciona una conectividad ultra confiable y de baja latencia, fundamental para mantener la sincronización entre el médico y el paciente (Saad et al., 2020). Por ejemplo, el barrido selectivo de haces, una técnica de comunicación adaptativa, reduce la latencia al enfocarse en subconjuntos óptimos de usuarios o dispositivos, evitando la sobrecarga de la red (Wang et al., 2021).

Asimismo, un ejemplo práctico de esta convergencia tecnológica es la cirugía remota utilizando gafas de realidad aumentada combinadas con robots quirúrgicos conectados al 6G, permitiendo que un especialista guíe visualmente e intervenga directamente sobre el cuerpo del paciente en otra ciudad o país (Nguyen et al., 2023). Además, tecnologías como la inteligencia artificial, (AI, Artificial Intelligence), ayudan a interpretar imágenes médicas en tiempo real, alertando de riesgos antes de que el cirujano actúe físicamente (Faisal et al., 2023).

Ahora bien, la 6G añade características como comunicaciones holográficas en 3D, redes de comunicación basadas en aprendizaje profundo, (DL, Deep Learning), y mapeo sensorial de alta precisión, elementos que potencian las capacidades de la realidad XR quirúrgica remota (Giordani et al., 2020). Por ejemplo, la tele-presencia holográfica permitirá que los cirujanos puedan proyectarse como avatares en las salas de operación remotas, aumentando el sentido de control e inmersión (Chaccour et al., 2022).

También resulta relevante mencionar las aplicaciones de MIoT combinadas con la realidad XR y 6G, como plataformas de entrenamiento quirúrgico en entornos virtuales donde los estudiantes médicos pueden practicar intervenciones utilizando dispositivos de retroalimentación háptica que simulan el tacto real (Alsharif et al., 2020). Además, sensores biométricos distribuidos en los cuerpos de los pacientes permitirán actualizaciones constantes del estado de salud en tiempo real durante intervenciones remotas (Akyildiz et al., 2020).

Se puede afirmar, que la combinación de realidad XR quirúrgica y el Internet MIoT sobre redes 6G redefine los límites de la atención médica, brindando oportunidades para intervenciones de alta precisión a nivel mundial. Esto transforma no solo la forma en que se realizan las operaciones sino también cómo se capacita a los futuros profesionales médicos (Dang et al., 2020).

Tecnología Holográfica 3D en Comunicaciones Móviles de Sexta Generación

Para hacer mención a las comunicaciones holográficas en 3D, hay que considerar que éstas son una tecnología emergente que permite la proyección tridimensional en tiempo real de personas, objetos o escenarios en un espacio remoto, lo que facilita una interacción más inmersiva y realista que las videollamadas convencionales. Esta técnica funciona mediante la captura de múltiples vistas de un objeto desde distintos ángulos mediante sensores y cámaras, que luego se reconstruyen utilizando algoritmos de procesamiento de imágenes para formar una imagen tridimensional que puede ser proyectada a través de tecnologías de visualización volumétrica (Shvetsov & Alsamhi, 2024). Esta forma avanzada de comunicación requiere altas velocidades de transmisión de datos, baja latencia y sincronización precisa, características que las redes de sexta generación (6G) están diseñadas para proporcionar.

En consecuencia, las redes 6G aportan los recursos necesarios para soportar comunicaciones holográficas 3D al ofrecer anchos de banda del orden de los terabits por segundo, latencias del orden de microsegundos y redes impulsadas por inteligencia artificial, (AI, Artificial Intelligence), que optimizan dinámicamente el tráfico y priorizan paquetes de datos críticos (Chaccour et al., 2022). Las tecnologías como el mapeo sensorial de precisión y el modelado espacial en tiempo real también son esenciales para lograr una experiencia inmersiva coherente. En entornos médicos, estas capacidades permiten la representación holográfica de especialistas que pueden proyectarse en una sala de operaciones remota, interactuar con personal local y guiar procedimientos quirúrgicos de alta complejidad en tiempo real.

Además, una de las aplicaciones más significativas en este contexto es la cirugía remota, donde un cirujano ubicado en una ciudad puede proyectar un avatar tridimensional en otra ubicación, utilizando retroalimentación háptica y visión aumentada. Gracias a las comunicaciones ultra fiables de baja latencia proporcionadas por el 6G, estas interacciones se realizan sin interrupciones ni retrasos perceptibles, asegurando la sincronización entre movimientos del especialista y acciones ejecutadas por brazos robóticos o asistentes médicos locales (Nguyen et al., 2023). Por ejemplo, hospitales en zonas rurales pueden recibir asistencia inmediata de expertos sin necesidad de traslados físicos, mejorando la equidad en la atención médica.

Asimismo, esta tecnología tiene aplicaciones más allá del ámbito médico, como en la educación remota, donde profesores pueden proyectarse holográficamente en aulas virtuales interactivas, o en conferencias empresariales donde equipos internacionales colaboran en proyectos como si compartieran el mismo espacio físico. Del mismo modo, las comunicaciones holográficas pueden emplearse en la industria del entretenimiento para ofrecer conciertos en vivo con presencia virtual del artista, o en turismo, simulando visitas guiadas inmersivas a lugares patrimoniales (Shvetsov & Alsamhi, 2024).

Por otra parte, el desarrollo de estas tecnologías enfrenta dificultades técnicas importantes, como el procesamiento intensivo de datos holográficos, la compresión sin pérdida de calidad, y la necesidad de dispositivos de visualización avanzados como pantallas volumétricas o visores XR, (Extended Reality). Para resolverlo, se están explorando soluciones basadas en aprendizaje profundo, (DL, Deep Learning), y computación de borde integrada en redes 6G que distribuyen el procesamiento entre múltiples nodos cercanos al usuario, minimizando el retardo (Giordani et al., 2020).

Sin lugar a dudas, la convergencia de tecnologías como el Internet de las cosas médico, (MIoT, Medical Internet of Things), con las comunicaciones holográficas 3D y la realidad extendida XR crea ecosistemas quirúrgicos inteligentes donde los sensores biométricos, robots y plataformas de análisis colaboran en tiempo real con la supervisión visual del especialista proyectado holográficamente. Este nivel de integración redefine la medicina a distancia y anticipa una nueva era en la que la presencia física ya no será un requisito para brindar atención médica personalizada y eficaz (Alsharif et al., 2020).

Tecnología de Mapeo Sensorial y su Impacto en la Cirugía Remota con 6G

Ahora bien, a medida que la comunicación móvil de sexta generación (6G) redefine los paradigmas tecnológicos, emerge una innovación importante: el mapeo sensorial de alta precisión. Este concepto integra redes ultrarrápidas, algoritmos inteligentes y sensores multimodales capaces de capturar señales biomecánicas, hápticas y fisiológicas con extrema exactitud (Mahdi et al., 2021). A través de nodos sensoriales distribuidos y dispositivos portátiles, esta tecnología permite registrar estímulos táctiles, presión, movimiento e incluso temperatura en tiempo real, lo cual es esencial para entornos quirúrgicos controlados a distancia mediante Realidad Extendida, (XR, Extended Reality), y el Internet Médico de las Cosas, (MIoT, Medical Internet of Things) (Chaudhari, 2025).

En otro orden de ideas, el funcionamiento del mapeo sensorial de alta precisión en 6G se apoya en arquitecturas de red con ultra baja latencia y gran ancho de banda, características esenciales de esta generación de telecomunicaciones. Mediante el uso de tecnologías como las redes definidas por software, (SDN, Software-Defined Networking), y la virtualización de funciones de red, (NFV, Network Function Virtualization), se facilita la integración dinámica de múltiples sensores biomédicos en una única interfaz de control remoto (Bhattacharya et al., 2021). Esto se complementa con protocolos de comunicación adaptativa, como el barrido selectivo de haces, que garantiza una conectividad estable entre los dispositivos quirúrgicos y el profesional médico, incluso en escenarios con alta interferencia (Wang et al., 2021).

Resulta evidente, cómo el mapeo sensorial habilita múltiples aplicaciones prácticas dentro del ecosistema 6G. Un caso destacado es la cirugía asistida por telepresencia holográfica, en la cual el médico se proyecta como un avatar 3D en el quirófano remoto. Equipos sensoriales colocados sobre el paciente y el entorno quirúrgico permiten capturar micro-movimientos y retroalimentación táctil, simulando una intervención presencial (Farahat et al., 2023). Esta interacción se logra mediante dispositivos hápticos combinados con inteligencia artificial, (AI, Artificial Intelligence), que analiza los patrones sensoriales y predice posibles respuestas fisiológicas del paciente (Nasralla et al., 2023).

Adicionalmente, el uso de estas tecnologías en plataformas de simulación quirúrgica ha demostrado ser altamente eficaz. Los entornos de realidad XR permiten que los estudiantes de medicina practiquen operaciones utilizando modelos anatómicos interactivos y sensores de retroalimentación táctil. Gracias a la precisión del mapeo sensorial, los dispositivos pueden replicar la resistencia de los tejidos, la sensación de cortar una arteria o suturar una herida, lo cual incrementa significativamente la fidelidad de la formación médica (Zou et al., 2024).

Así, es indispensable mencionar los avances en dispositivos vestibles interconectados, como guantes hápticos, trajes biométricos y lentes de realidad extendida XR con sensores integrados. Estos dispositivos utilizan tecnologías como la multiplexación por división de frecuencia (FDM) para transmitir información sensorial diferenciada, asegurando que cada tipo de dato de tacto, visión, o movimiento, sea procesado sin interferencias en la red 6G (Giuliano, 2024). De este modo, se facilita una experiencia quirúrgica remota fluida, segura y completamente inmersiva.

En definitiva, el mapeo sensorial de alta precisión constituye un eje central en el desarrollo de plataformas quirúrgicas remotas impulsadas por 6G. No solo garantiza la transmisión confiable de datos biométricos en tiempo real, sino que también promueve una nueva forma de medicina colaborativa, en la que especialistas de distintas partes del mundo pueden intervenir simultáneamente sobre un paciente mediante entornos de realidad XR compartidos (Sefati et al., 2024). Así, la frontera entre la cirugía física y la virtual comienza a desdibujarse, abriendo paso a una atención médica verdaderamente global y precisa.

Predicción de efectos ambientales sobre comunicaciones 6G: enfoques basados en IA

Debe enfatizarse, que el impacto de factores ambientales sobre la predicción de haces representa un reto en ciudades tropicales, donde la lluvia o la vegetación densa pueden alterar significativamente el patrón de propagación de la señal. Algoritmos de predicción deben incorporar variables ambientales constantemente (Mohamed et al., 2020).

Merece atención considerar los algoritmos de predicción del impacto ambiental como modelos computacionales que integran variables atmosféricas como lluvia, humedad, vegetación, y partículas contaminantes para estimar la degradación de la señal de radiofrecuencia. Particularmente en redes de sexta generación (6G), estos modelos se vuelven esenciales debido a la alta frecuencia de operación que es más sensible a interferencias físicas del entorno. En ciudades tropicales, estas perturbaciones son especialmente críticas, debido a la variabilidad climática y la densa vegetación que altera los patrones de propagación (Chowdhury et al., 2020).

Del mismo modo, la tecnología Digital Twin, (DT, Digital Twin), permite simular en tiempo real el entorno físico de las redes 6G. Este enfoque sincroniza datos ambientales mediante sensores distribuidos y los integra a sistemas de predicción basados en aprendizaje automático, como las redes neuronales convolucionales, (CNN, Convolutional Neural Networks), para pronosticar la atenuación o reflejo de la señal (Kuruvatti et al., 2022).

A su vez, algoritmos como el aprendizaje profundo, (DL, Deep Learning), y las máquinas de soporte vectorial, (SVM, Support Vector Machines), han sido adaptados para el pronóstico dinámico de pérdidas de señal causadas por partículas suspendidas como polvo y smog urbano. Estos algoritmos han demostrado una alta eficacia en la predicción de rutas óptimas de haz en configuraciones urbanas complejas, reduciendo el consumo energético en la transmisión y mejorando la estabilidad de la red (Matin et al., 2022).

Simultáneamente, algunos enfoques híbridos han incorporado redes recurrentes tipo memoria a largo y corto plazo, (LSTM, Long Short-Term Memory), para integrar datos meteorológicos históricos con condiciones actuales, optimizando así la gestión de haces direccionales en sistemas de antenas masivas. Esto resulta crítico en condiciones meteorológicas cambiantes como las de las regiones tropicales, donde la frecuencia de lluvias intensas afecta la calidad del enlace (Strinati & Barbarossa, 2021).

Por consiguiente, un ejemplo práctico lo constituye la plataforma IoST (Internet of Space Things), que emplea sensores atmosféricos para ajustar dinámicamente la orientación de los haces electromagnéticos en satélites 6G. Los algoritmos predictivos integran lecturas en tiempo real, evitando así la pérdida de conectividad por nubes densas o tormentas eléctricas. Este sistema, combinado con algoritmos de propagación tipo belief propagation (BP), ha permitido aumentar en un 25 % la estabilidad de conexión en pruebas en zonas ecuatoriales (Akyildiz et al., 2020).

En términos de implementación práctica, una de las aplicaciones más destacadas se encuentra en ciudades como Kuala Lumpur y Bogotá, donde sistemas de predicción atmosférica se han sincronizado con redes 6G experimentales para garantizar el desempeño en ambientes urbanos densamente vegetados. En estos casos, el algoritmo fue entrenado con datos de humedad y radiación solar recopilados durante temporadas de lluvias, obteniendo un 91% de precisión en la predicción de interrupciones de señal (Mahmood et al., 2021).

Además, se ha explorado el uso de inteligencia de enjambre, (SI, Swarm Intelligence), para adaptar colectivamente la configuración de antenas en redes distribuidas. Este enfoque, aplicado en ciudades como Manaos, ha demostrado una robusta capacidad para adaptarse a microcambios ambientales en franjas horarias específicas del día, manteniendo una cobertura uniforme sin necesidad de reconfiguraciones manuales (Hoque et al., 2024).

De ahí que, se prevé que los algoritmos evolutivos, como los algoritmos genéticos, (GA, Genetic Algorithms), jueguen un papel esencial en la autooptimización de redes 6G, permitiendo que los nodos seleccionen de forma autónoma las mejores rutas y frecuencias según las condiciones ambientales presentes, reduciendo la latencia y mejorando la calidad de servicio en aplicaciones de realidad aumentada en tiempo real (Zhai et al., 2022).

Inteligencia distribuida en 6G: Multi-Armed Bandits en conectividad vehicular

En paralelo, aplicaciones de Selección de Brazos Múltiples (MAB, Multi-Armed Bandit) en redes vehiculares y urbanas permiten una conectividad más estable entre vehículos inteligentes y la infraestructura urbana. Por ejemplo, los buses que prestan atención médica podrían conectarse automáticamente con el nodo más robusto en función de sus patrones de desplazamiento (Prasath & Gokulakrishnan, 2023).

Primeramente, es necesario comprender que el enfoque de Selección de Brazos Múltiples, (MAB, Multi-Armed Bandit), constituye una formulación matemática fundamental para resolver problemas de toma de decisiones secuenciales bajo incertidumbre. Específicamente, esta técnica permite elegir entre varias alternativas posibles (brazos) en un entorno dinámico, maximizando la recompensa acumulada a través del tiempo. A diferencia de otros modelos estáticos, MAB aprende en tiempo real, combinando exploración de nuevas acciones y explotación del conocimiento existente (Liu et al., 2022).

A continuación, cabe destacar que el funcionamiento básico de los algoritmos MAB se articula en torno a un dilema entre exploración y explotación. En cada paso, el agente elige un brazo (acción), observa una recompensa, y ajusta su política para decisiones futuras. Este modelo puede extenderse mediante variantes como el MAB contextual o el MAB dependiente del tiempo, incorporando información contextual para decisiones más adaptativas, como condiciones del canal en redes 6G (Hashima et al., 2023).

Es conveniente señalar, que las tecnologías MAB se están integrando progresivamente en el diseño de redes móviles de sexta generación (6G, Sixth Generation), debido a sus propiedades adaptativas y su baja complejidad computacional. Particularmente, se utilizan para asignación dinámica de recursos, selección de nodos, control de movilidad y planificación de redes vehiculares, destacando en contextos ultra confiables y de baja latencia (URLLC, Ultra-Reliable Low Latency Communications) (Ioannou et al., 2024).

Además, se han observado ejemplos prácticos de aplicación de MAB en contextos urbanos. En redes vehiculares, los algoritmos MAB permiten a los vehículos inteligentes seleccionar de forma autónoma el nodo óptimo para transmisión, basándose en mediciones de parámetros como la estabilidad de la conexión, latencia y congestión del canal. Por ejemplo, una flota de buses de salud móvil puede utilizar MAB para elegir el nodo de red más robusto en cada ubicación urbana, mejorando la conectividad en tiempo real (Prasath & Gokulakrishnan, 2023; Meng et al., 2020).

Teniendo en cuenta, que los algoritmos MAB se han empleado exitosamente para offloading de tareas en entornos vehiculares conectados a edge computing, optimizando la distribución computacional en el borde de la red. Un caso destacado se presenta en la gestión adaptativa del ancho de banda entre estaciones base y vehículos móviles, asegurando la eficiencia energética y la calidad del servicio (Noman et al., 2023).

De igual forma, en aplicaciones médicas móviles (mHealth), los algoritmos MAB son útiles para garantizar conectividad estable entre sensores biométricos distribuidos y centros de procesamiento. Por ejemplo, drones médicos que brindan soporte en zonas urbanas congestionadas pueden utilizar algoritmos contextual-MAB para seleccionar la mejor ruta o punto de acceso en función de interferencias y disponibilidad de espectro (Loutfi et al., 2024; Emam et al., 2023).

También, en el ámbito de Vehículos Aéreos no Tripulados UAVs (Unmanned Aerial Vehicles) utilizados para entrega de servicios médicos o monitoreo de salud en ciudades inteligentes, los algoritmos MAB se emplean para elegir el canal más adecuado entre múltiples opciones, minimizando interferencias y maximizando cobertura (Shafik et al., 2020).

En consecuencia, la incorporación de algoritmos MAB en la arquitectura 6G representa una alternativa eficaz para abordar los desafíos de conectividad ubicua, dinámica y robusta, particularmente en escenarios de redes vehiculares urbanas y servicios de salud móvil. La literatura reciente evidencia el auge de enfoques híbridos que combinan MAB con técnicas de aprendizaje profundo y edge computing para maximizar la adaptabilidad de las infraestructuras inteligentes.

Aplicaciones biomédicas y urbanas del seguimiento de haces en redes 6G

Ciertamente, el seguimiento de haces asistido por orientación del receptor es particularmente relevante en peatones que portan dispositivos biomédicos. Al considerar la orientación del cuerpo, se mejora la recepción, lo que se traduce en datos más estables para el monitoreo cardiaco o neurológico en tiempo real (Xu et al., 2024).

Cabe resaltar, que el seguimiento de haces electromagnéticos asistido por orientación del receptor representa un avance básico en la evolución hacia la sexta generación de comunicaciones móviles, (6G, Sixth Generation). A diferencia de los métodos convencionales donde el transmisor lidera la formación del haz, esta nueva técnica emplea sensores en el receptor para mejorar la alineación del haz, maximizando la calidad del enlace y reduciendo la latencia incluso en contextos con movilidad elevada como el de peatones. En particular, la orientación del dispositivo del usuario permite ajustar de forma dinámica la dirección de recepción, adaptándose en tiempo real a cambios de postura y dirección (Tomar et al., 2022).

Por consiguiente, el funcionamiento de esta tecnología radica en la combinación de dos elementos clave: el seguimiento del haz (beam tracking) y el conocimiento contextual del receptor. El primero consiste en la alineación continua del haz direccional emitido por estaciones base con la posición del receptor móvil, lo que requiere sensores de movimiento, acelerómetros y sistemas de navegación inercial. Por su parte, el receptor incluye tecnologías como giroscopios o IMUs (IMU, Inertial Measurement Unit) que capturan su orientación espacial, facilitando la predicción de los ángulos óptimos de recepción. Esta colaboración entre emisor y receptor genera enlaces más robustos y adaptativos, ideales para entornos urbanos densos (Parvini et al., 2022).

Indudablemente, la integración del seguimiento de haces en infraestructuras 6G se ve potenciada por tecnologías como las Superficies Inteligentes Reconfigurables (RIS, Reconfigurable Intelligent Surfaces), las cuales permiten modificar activamente la propagación de las ondas, direccionándolas hacia el receptor según su orientación detectada. Estas superficies reconfigurables interactúan con los haces reflejándolos o amplificándolos según sea necesario, lo que resulta vital en entornos con obstrucciones, como calles urbanas o interiores hospitalarios (Maraqa et al., 2025).

Además, se han documentado aplicaciones prácticas en el ámbito biomédico, especialmente para usuarios portadores de dispositivos de monitoreo cardiaco o neurológico en tiempo real. Por ejemplo, un peatón con sensores biomédicos integrados en una mochila o prenda inteligente puede beneficiarse de esta tecnología, ya que el sistema ajusta la dirección del haz conforme a la orientación de su cuerpo, asegurando así una conexión continua y estable (Xu et al., 2024). Este tipo de integración resulta crítica para telemedicina en movimiento, como ambulancias inteligentes o entornos urbanos de emergencia.

En otro orden de ideas, también se exploran aplicaciones industriales, como el monitoreo de operadores en fábricas con dispositivos portables, donde la orientación del cuerpo puede afectar el rendimiento de la conectividad inalámbrica. Al aplicar seguimiento de haces electromagnéticos orientado por el receptor, se mejora la transmisión de datos desde sensores distribuidos en el entorno hacia dispositivos móviles o wearables, favoreciendo entornos industriales autónomos conectados mediante redes privadas 6G (Jurado Verdú, 2023).

Adicionalmente, esta tecnología se complementa con algoritmos de aprendizaje automático para predecir la orientación futura del receptor, basándose en patrones de movimiento previos, lo que reduce el tiempo de adquisición de enlace y mejora la eficiencia espectral. En este contexto, redes neuronales profundas como la Memoria a Largo Corto Plazo (LSTM, Long Short-Term Memory) son empleadas para prever trayectorias de usuarios móviles y orientar preventivamente los haces electromagnéticos (Zarif et al., 2022).

Por ende, el seguimiento de haces asistido por la orientación del receptor no solo optimiza las comunicaciones móviles, sino que también se convierte en un componente indispensable para nuevas arquitecturas de red en el paradigma 6G, con aplicaciones que abarcan desde la salud hasta la movilidad urbana inteligente.

Aplicaciones prácticas de ubicación-orientación en redes neuronales para 6G

Simultáneamente, el uso combinado de ubicación y orientación como entrada en redes neuronales profundas, (DNN, Deep Neural Networks), permite a estas redes inferir la configuración de haz ideal según el entorno urbano y comportamiento humano (ElHalawany et al., 2021).

Resulta fundamental comprender, que el uso combinado de ubicación y orientación como entradas en redes neuronales profundas, (DNN, Deep Neural Networks), representa un enfoque emergente en la optimización del beamforming (formación de haces) para redes inalámbricas de sexta generación (6G). Esta técnica se basa en la capacidad de las DNN para inferir patrones complejos a partir de múltiples variables contextuales, mejorando así la configuración del haz en tiempo real, especialmente en entornos urbanos densos con múltiples trayectorias de propagación de señal (ElHalawany et al., 2021; Murshed et al., 2023).

Además, este enfoque tecnológico consiste en alimentar una red neuronal DNN con los datos de localización por ejemplo, las coordenadas del Sistema Global de Navegación por Satélite (GNSS, Global Navigation Satellite System) y la orientación, por ejemplo, sensores de Unidad de Medición Inercial (IMU, Inertial Measurement Unit) del dispositivo, para estimar de manera precisa la mejor dirección y apertura del haz electromagnético, optimizando la cobertura y la calidad del enlace. Esta inferencia de haz se realiza sin necesidad de escaneo exhaustivo del entorno, lo cual permite reducir la latencia y el consumo energético en dispositivos móviles (Zhao et al., 2024; Ahn et al., 2022).

De igual forma, cabe resaltar que modelos como los basados en arquitecturas LSTM, (Long Short-Term Memory), y CNN, (Convolutional Neural Network), se han utilizado eficazmente para anticipar la dinámica del entorno y predecir configuraciones de haz óptimas en función de trayectorias de movimiento o incluso comportamientos del usuario. Por ejemplo, en el trabajo de Jiao et al. (2024), se implementa una red neuronal híbrida para seleccionar en tiempo real haces en las ondas mmWave en comunicaciones V2I (vehículo a infraestructura), empleando datos de ubicación extraídos de enlaces que operan en la frecuencia de los sub-6GHz, como ayuda contextual.

Por otro lado, se ha demostrado que la combinación de posicionamiento y orientación permite mejorar los sistemas de acceso inicial en 6G. Kang (2025) introduce un sistema basado en XL-MIMO (Multiple Input Multiple Output de escala extremadamente grande), donde una DNN se entrena para seleccionar múltiples haces en la zona de campo cercano, utilizando información posicional y angular como entrada del modelo. Este tipo de sistemas reduce el overhead de señalización en redes densas (Kang, 2025).

Incluso, los avances más recientes en beamforming asistido por visión artificial también se integran con estas tecnologías. Así, Ahn et al. (2022) proponen un sistema de inferencia que, además de datos de ubicación y orientación, incorpora imágenes contextuales del entorno urbano para inferir con mayor precisión las trayectorias de línea de vista, logrando una alineación de haces más eficiente en entornos bloqueados.

Asimismo, Fontanesi et al. (2024) desarrollan un modelo de Red Neuronal de Propagación Directa (Feed-Forward Neural Network), para vehículos aéreos no tripulados (UAV) en bandas de los terahercios, que ajusta la orientación del haz y realiza inferencias en tiempo real usando entrada posicional multieje y vector de actitud. Esto es particularmente útil para comunicaciones duales (radar-comunicación), donde la precisión direccional es crítica.

Por consiguiente, estas tecnologías encuentran aplicaciones prácticas significativas en áreas como redes vehiculares inteligentes, IoT urbano, realidad aumentada distribuida y sistemas de comunicación aérea a baja altitud. Un ejemplo destacable es la implementación de beamforming contextual en redes para vehículos autónomos, donde la red neuronal DNN predice el haz electromagnético del enlace inalámbrico, más eficiente, incluso cuando el vehículo cambia de carril o gira (Raha et al., 2024).

De hecho, se proyecta que esta integración de datos contextuales sensoriales con técnicas avanzadas de aprendizaje profundo redefinirá el paradigma de las comunicaciones inalámbricas, permitiendo redes autoajustables, eficientes y altamente estables en entornos urbanos hiper-conectados (Kaur et al., 2024; Shao et al., 2024).

Cómo las redes neuronales profundas configuran el haz ideal en redes 6G

En efecto, la aplicación de la red neuronal DNN para la predicción de pares de haces óptimos se ha consolidado como un componente esencial en comunicaciones inteligentes, donde drones pueden mantener conectividad continua durante misiones médicas en zonas sin infraestructura física.

A partir de la evolución de la comunicación inalámbrica, el uso combinado de ubicación y orientación como entrada para redes neuronales profundas, (DNN, Deep Neural Networks), ha emergido como un enfoque innovador para optimizar el beamforming o formación de haces en redes móviles 6G. Esta técnica permite que los sistemas de telecomunicaciones predigan con alta precisión la dirección y configuración del haz electromagnético más adecuado, incluso en entornos altamente dinámicos. La información posicional y angular del dispositivo receptor se convierte en insumo para una red neuronal DNN, la cual infiere los parámetros óptimos para dirigir el haz sin necesidad de realizar barridos físicos del espacio, minimizando latencia y consumo energético (Razaq & Peng, 2025).

De igual manera, investigaciones recientes han explorado arquitecturas avanzadas de aprendizaje profundo que incluyen módulos de entrada multi-dimensional para capturar tanto la posición 3D del usuario como su orientación angular. Estas variables son procesadas por capas convolucionales y de atención dentro de una red neuronal, permitiendo inferencias robustas incluso bajo condiciones de obstrucción o dispersión de señal (Wang et al., 2024). Así, el sistema logra construir una representación interna del entorno electromagnético en tiempo real, anticipando los cambios necesarios en la formación del haz de transmisión.

Del mismo modo, un estudio desarrollado en la Universidad Nacional de Seúl propone integrar sensores y módulos de aprendizaje profundo para asistir la transmisión inteligente basada en ubicación y dirección de los usuarios móviles. Este planteamiento permite adaptar las configuraciones del haz electromagnético del enlace, no sólo en función de la topología del entorno, sino también anticipando movimientos futuros, lo que resulta esencial para escenarios como drones en misiones médicas sin infraestructura terrestre (Ahn, 2024).

Por consiguiente, aplicaciones prácticas de esta tecnología se han materializado en contextos como redes vehiculares cooperativas, donde vehículos autónomos requieren conexión confiable y direccional. Las redes neuronales DNN procesan datos de GPS, la IMU (Unidad de Medición Inercial) y de mapas 3D para generar predicciones precisas de haces electromagnéticos dirigidos hacia la antena receptora más viable. En este sentido, la predicción inteligente de haces electromagnéticos, supera a los métodos convencionales de barrido, brindando escalabilidad y una reducción significativa de interferencias (Zhang et al., 2023).

A su vez, en entornos rurales o en zonas afectadas por desastres naturales, la ubicación y orientación permiten que estaciones móviles, como drones o dirigibles, establezcan enlaces de comunicación eficaces mediante la predicción de los haces. Estas implementaciones han sido fundamentales para misiones médicas donde se requiere conectividad continua entre dispositivos, pacientes y centros de monitoreo remoto, sin necesidad de redes fijas (Ahn, 2024).

En consecuencia, la sinergia entre ubicación/orientación y redes neuronales profundas representa una solución efectiva para los retos técnicos que impone la red 6G, la cual apunta a operar en frecuencias milimétricas y de los sub-terahertz, donde los haces deben ser altamente direccionales. El aprendizaje automático permite adaptar continuamente las estrategias de beamforming en función del contexto geoespacial del usuario, optimizando simultáneamente el uso del espectro y la eficiencia energética de la red.

Por otra parte, es importante subrayar que estas técnicas no sólo se limitan a infraestructura terrestre, sino también a contextos aeroespaciales, como redes de satélites de órbita baja (LEO, Low Earth Orbit), donde el conocimiento de la orientación precisa del terminal es factor importante para mantener el enlace con haces altamente colimados. De esta manera, el uso combinado de ubicación y orientación en las redes neuronales DNN redefine los principios clásicos de formación de haces, ofreciendo nuevas oportunidades para la conectividad ubicua e inteligente.

Perceptrones Multicapa en Comunicaciones 6G: Fundamentos y Aplicaciones Reales

En relación a los perceptrones multicapa, (MLP, Multi-Layer Perceptrons), estos son herramientas efectivas para identificar la estación base más idónea entre múltiples opciones en tiempo real, algo necesario en despliegues rápidos como zonas de desastre.

Conviene subrayar que, los perceptrones multicapa, (MLP, Multi-Layer Perceptrons), constituyen una de las arquitecturas más antiguas y aún eficaces en el ámbito del aprendizaje profundo. Esencialmente, estos modelos están compuestos por varias capas de neuronas artificiales organizadas de manera secuencial, en donde cada capa transforma los datos de entrada mediante funciones de activación no lineales, lo cual permite capturar patrones complejos en los datos (Ali et al., 2020). Por consiguiente, los perceptrones MLP son particularmente útiles en tareas de clasificación, predicción y reconocimiento, siendo una base importante para sistemas más sofisticados como las redes neuronales profundas.

En cuanto al funcionamiento de los perceptrones MLP, este se sustenta en un proceso de retropropagación del error, mediante el cual los pesos de conexión entre neuronas se ajustan iterativamente con base a la diferencia entre la salida esperada y la salida real. Este mecanismo de aprendizaje supervisado se optimiza mediante algoritmos como el del descenso del gradiente, permitiendo que el modelo mejore su rendimiento conforme a los ejemplos de entrenamiento (Puspitasari et al., 2023). Cabe destacar que, en comparación con otras arquitecturas como las redes convolucionales, los MLP ofrecen mayor simplicidad estructural, lo cual facilita su implementación en dispositivos con recursos limitados.

En otro orden de ideas, los algoritmos de descenso del gradiente representan un conjunto de métodos iterativos empleados para minimizar funciones de error o coste en modelos matemáticos, particularmente en el ámbito del aprendizaje automático y redes neuronales. Estos algoritmos buscan ajustar los parámetros del modelo, como los pesos en una red neuronal, mediante pequeños pasos en la dirección opuesta al gradiente de la función de error con respecto a dichos parámetros. Así, el objetivo es encontrar el punto donde la función de coste alcanza su valor mínimo (Ruder, 2016).

Ahora bien, el gradiente indica la dirección de mayor aumento de una función; por tanto, descender por ese gradiente equivale a moverse hacia la dirección de mayor disminución de la función. En el caso de los perceptrones multicapa, (MLP, Multi-Layer Perceptrons), el algoritmo calcula los gradientes a través del proceso de retropropagación y ajusta los pesos de cada capa para reducir el error entre la predicción del modelo y la salida real (Goodfellow et al., 2016). Este procedimiento se repite hasta que se alcanza una convergencia o mejora aceptable en el rendimiento del modelo.

Por ejemplo, en el descenso del gradiente estocástico, (SGD, Stochastic Gradient Descent), las actualizaciones de los parámetros se realizan utilizando un único ejemplo del conjunto de entrenamiento en cada iteración, lo cual permite una convergencia más rápida en problemas con grandes volúmenes de datos, aunque puede ser más ruidoso. En contraste, el descenso del gradiente por lotes, (BGD, Batch Gradient Descent), utiliza todo el conjunto de entrenamiento para calcular el gradiente, lo que ofrece mayor estabilidad, pero requiere más recursos computacionales (Bottou, 2010).

Asimismo, existen variantes más sofisticadas como el algoritmo de descenso del gradiente con momento, el método de AdaGrad y el optimizador Adam. Este último, ampliamente utilizado, combina ventajas de los métodos anteriores al adaptar de forma individual la tasa de aprendizaje de cada parámetro, acelerando la convergencia especialmente en escenarios no convexos, como las redes neuronales profundas (Kingma & Ba, 2015).

En contextos de comunicaciones 6G, estos algoritmos de optimización son fundamentales para el entrenamiento de modelos predictivos utilizados en selección de una estación base, la asignación de recursos y el mantenimiento de enlaces confiables en redes móviles inteligentes. Gracias al descenso del gradiente, estos sistemas logran ajustarse a entornos dinámicos y tomar decisiones en tiempo real, incluso bajo condiciones impredecibles como desastres naturales o congestiones masivas de tráfico de datos (Zhang et al., 2023).

En escenarios de comunicaciones inalámbricas de próxima generación, como la tecnología 6G, los perceptrones MLP han demostrado ser herramientas valiosas para la selección dinámica de estaciones base en situaciones críticas. Por ejemplo, en contextos de desastres naturales donde la infraestructura de red se ve comprometida, los MLP permiten identificar en tiempo real la estación base más adecuada para cada usuario, evaluando parámetros como señal, interferencia y carga de tráfico (Blika et al., 2024). Esta capacidad de adaptación inmediata mejora significativamente la cobertura y reduce la latencia en comunicaciones de emergencia.

De igual modo, los perceptrones MLP se integran eficientemente en redes 6G habilitadas por tecnologías como computación en el borde móvil, (MEC, Mobile Edge Computing), para la toma de decisiones descentralizada. En particular, trabajos recientes demuestran cómo los MLP contribuyen a optimizar rutas de conectividad en redes de vehículos aéreos no tripulados en misiones de rescate, mediante el análisis conjunto de datos geoespaciales y estado de red (Ao et al., 2023). Así, estas redes autoorganizadas pueden desplegar rápidamente enlaces confiables incluso en regiones sin cobertura preexistente.

Asimismo, investigaciones han incorporado MLP dentro de marcos de aprendizaje federado para asegurar comunicaciones robustas en redes distribuidas. En este sentido, se emplean múltiples perceptrones MLP entrenados localmente en nodos periféricos, y luego se combinan sus parámetros mediante agregación centralizada, lo cual refuerza la ciberseguridad sin comprometer la privacidad de los datos (Wu et al., 2024). Esta técnica ha sido especialmente útil en aplicaciones médicas y vehiculares dentro de entornos 6G.

Por otra parte, los perceptrones MLP también han sido utilizados para la predicción de demanda de tráfico y asignación de espectro en tiempo real, lo cual es esencial para garantizar un uso eficiente de los recursos en redes 6G densamente conectadas. En este aspecto, se ha evidenciado que modelos basados en perceptrones MLP superan a los métodos heurísticos convencionales al reducir la tasa de colisiones en el canal y mejorar la calidad de servicio, incluso bajo condiciones dinámicas de movilidad (Zuo et al., 2023).

Con todo lo anterior, se puede asegurar, que los perceptrones multicapa se perfilan como una tecnología esencial en la construcción de redes de comunicación adaptativas e inteligentes. Desde la selección de estación base en emergencias hasta la optimización energética y la seguridad distribuida, sus aplicaciones en el contexto 6G revelan un potencial extraordinario para transformar la forma en que se gestiona la conectividad móvil avanzada (Fontanesi et al., 2024).

Random Forest en 6G: Tecnología predictiva para redes móviles del futuro

Simultáneamente, los clasificadores de bosque aleatorio, (Random Forest), mejoran la robustez del sistema ante entradas erróneas o variables atípicas, filtrando señales poco fiables y priorizando enlaces consistentes.

En primer lugar, conviene señalar que los clasificadores de bosque aleatorio, (RF, Random Forest), constituyen un método de aprendizaje automático basado en árboles de decisión múltiples, donde cada árbol es entrenado con una muestra aleatoria de los datos originales y emite una predicción. Posteriormente, el sistema compila el conjunto de predicciones para determinar un resultado final a través de un mecanismo de votación o promedio. Gracias a este enfoque, se logra una considerable mejora en la precisión del modelo y una mayor resistencia al sobreajuste, especialmente frente a conjuntos de datos complejos y ruidosos (Breiman, 2001).

Por otro lado, esta tecnología ha demostrado ser esencial en el ámbito de las redes móviles de próxima generación. A medida que los entornos de comunicación se vuelven más dinámicos y heterogéneos, la adaptabilidad y precisión que ofrecen los clasificadores RF resulta imprescindible. Por ejemplo, se han empleado en sistemas de monitoreo de imágenes para detectar zonas muertas mediante redes 6G combinadas con imágenes aéreas captadas por drones. En este contexto, el clasificador RF permite un reconocimiento robusto de patrones en áreas de cobertura deficiente, demostrando su eficacia para el mantenimiento y optimización de infraestructura (Cheng & Yang, 2024).

Simultáneamente, su aplicación se extiende a la identificación de amenazas en redes del Internet de las Cosas, (IoT, Internet of Things). Un estudio reciente propuso un sistema ligero de detección de botnets basado en Random Forest, el cual filtraba flujos de tráfico malicioso con alta precisión. Esta funcionalidad cobra especial relevancia ante la densificación esperada de dispositivos IoT en el ecosistema 6G, donde se proyecta una latencia ultrabaja y una conectividad ubicua (Farooqi, Ahmad, & Kamal, 2024).

En consecuencia, los clasificadores RF también han sido integrados en esquemas de slicing de red, una característica fundamental de la tecnología 6G orientada a la segmentación dinámica de los recursos de red según distintos perfiles de uso. Estos clasificadores permiten optimizar la asignación de recursos mediante análisis predictivo del comportamiento de tráfico, facilitando una distribución eficiente y personalizada para servicios como vehículos autónomos o realidad extendida (Botez, Zinca, & Dobrota, 2025).

A la par, otros trabajos han utilizado clasificadores de bosque aleatorio, RF, en el reconocimiento de señales biométricas en redes inalámbricas de área corporal, (WBANs, Wireless Body Area Networks), orientadas a la telemedicina sobre infraestructuras 6G. En este caso, los clasificadores lograron discriminar características fisiológicas mediante sensores inteligentes embebidos, demostrando capacidades de clasificación avanzadas incluso bajo condiciones ruidosas o en movimiento (Herbst et al., 2024).

Al mismo tiempo, la tecnología también se ha explorado para la gestión dinámica de espectro y recursos en redes 6G. La capacidad de la técnica RF para modelar relaciones no lineales y correlaciones ocultas lo hace idóneo para detectar puntos críticos de congestión o anomalías en el rendimiento de la red (Pujar, Chyalakshmi, & Prabhu, 2024).

De esta forma, la versatilidad de los clasificadores Random Forest los posiciona como un componente clave en la inteligencia artificial embebida dentro de las futuras arquitecturas 6G. Desde la detección de intrusiones hasta el control de la calidad de servicio y del procesamiento de datos contextuales, su integración garantiza decisiones rápidas y fiables en entornos dinámicos, aportando solidez y adaptabilidad al sistema (Aloupogianni, Karyotis, & Maniak, 2024).

Así, estos ejemplos evidencian cómo los clasificadores RF, al ser intrínsecamente robustos ante entradas atípicas, se convierten en elementos idóneos para soportar decisiones automatizadas en un entorno 6G, donde la incertidumbre y el flujo continuo de datos exigen tecnologías confiables y escalables.

Aplicaciones Reales del Barrido Exhaustivo de Haces (EBS) en Comunicaciones Móviles 6G

De igual manera, el barrido exhaustivo de haces, (EBS, Exhaustive Beam Sweeping), se emplea como técnica de referencia en validaciones de redes experimentales, aunque su uso práctico es limitado debido a su alto costo computacional.

En este sentido, es fundamental entender que el barrido exhaustivo de haces, (EBS, Exhaustive Beam Sweeping), representa una metodología integral empleada en redes de comunicación inalámbrica avanzada para encontrar la mejor dirección de transmisión en sistemas de formación de haces. Esta técnica explora todas las posibles combinaciones de haces entre transmisor y receptor hasta identificar la ruta óptima de comunicación. Su implementación garantiza una cobertura robusta, aunque conlleva un coste computacional considerable y retardos significativos, lo cual limita su aplicabilidad práctica en escenarios dinámicos (Brilhante et al., 2023).

En consecuencia, su utilidad se manifiesta principalmente en ambientes de laboratorio o simulaciones donde se prioriza la validación de algoritmos y arquitecturas de red. Por ejemplo, durante las fases de evaluación de algoritmos de aprendizaje profundo en entornos de comunicación masiva MIMO, (mMIMO, massive Multiple-Input Multiple-Output), el barrido EBS sirve como referencia comparativa para medir la eficiencia de técnicas predictivas como el aprendizaje por refuerzo o las redes neuronales convolucionales (Ashok et al., 2025).

Por otra parte, en el ecosistema emergente de redes 6G, el barrido EBS ha sido empleado en proyectos de localización en interiores y detección de movimiento, donde la precisión milimétrica es esencial. Particularmente, una de las aplicaciones prácticas destacadas corresponde a la integración del barrido EBS con tecnologías de percepción del entorno para vehículos autónomos, mediante la explotación de haces altamente directivos que permiten la detección precisa de objetos cercanos, complementando a los sistemas LIDAR y radares convencionales (An, 2024).

Asimismo, en el contexto de la computación perimetral cooperativa, la técnica EBS ha demostrado ser eficaz en la configuración inicial de enlaces de alta ganancia en redes de sensores densamente desplegadas. Un caso representativo es su uso en redes de sensores distribuidos para entornos industriales inteligentes donde cada nodo requiere orientación precisa para minimizar la interferencia y maximizar la eficiencia espectral (Chang et al., 2024).

No obstante, debido a sus limitaciones operativas, actualmente se priorizan alternativas como el barrido jerárquico, (HBS, Hierarchical Beam Sweeping), y el aprendizaje automático asistido para la predicción de haces, que permiten una selección más ágil y eficiente con menor sobrecarga de señalización. Estas técnicas aprovechan modelos entrenados sobre datos históricos para inferir direcciones de haces con alta probabilidad de éxito, superando así las deficiencias temporales del barrido EBS (Brilhante et al., 2023; Ashok et al., 2025).

Por otra parte, estudios recientes han demostrado que la combinación de los métodos EBS con redes neuronales convolucionales, (CNN, Convolutional Neural Networks), permite reducir significativamente el número de combinaciones necesarias exploradas, logrando un rendimiento similar al barrido EBS ideal, pero con una reducción computacional sustancial. Esta técnica ha sido aplicada en prototipos 6G orientados al metaverso y la realidad extendida, donde la velocidad de conexión y la baja latencia son críticas (Ashok et al., 2025; An, 2024).

En consecuencia, es importante resaltar que, si bien el barrido exhaustivo de haces EBS, aún se utiliza en entornos controlados para evaluar soluciones emergentes, su evolución hacia modelos híbridos guiados por inteligencia artificial refleja la dirección que tomará la ingeniería de haces en la próxima década. En redes 6G hiperconectadas, la colaboración entre tecnologías como aprendizaje federado, detección colaborativa y optimización adaptativa marcarán el futuro del acceso inalámbrico de ultra alta velocidad (Brilhante et al., 2023; Ashok et al., 2025).

Al considerar el aprendizaje federado, (FL, Federated Learning), éste, ha emergido como una estrategia descentralizada clave en la inteligencia artificial aplicada a redes de comunicaciones avanzadas. Esta tecnología permite que múltiples nodos, como dispositivos móviles o sensores, colaboren en el entrenamiento de modelos sin necesidad de compartir datos sensibles con servidores centrales. En el contexto de redes 6G, el aprendizaje FL permite conservar la privacidad del usuario mientras se mejora el rendimiento de servicios basados en inteligencia artificial, como la selección dinámica de haces o la predicción de la calidad del canal (Yang et al., 2021).

Posteriormente, la detección colaborativa, (CD, Collaborative Detection), se posiciona como un componente esencial para la interpretación conjunta del entorno en redes densas. Esta técnica implica que distintos dispositivos o nodos compartan sus observaciones locales para formar una visión global más precisa. Por ejemplo, en entornos urbanos con alta movilidad, la detección CD permite una identificación más confiable de obstáculos y recursos espectrales disponibles, mejorando la eficiencia de las comunicaciones y reduciendo interferencias (Zhang et al., 2022).

En lo que se refiere a la optimización adaptativa, (AO, Adaptive Optimization), esta representa una herramienta fundamental para ajustar dinámicamente parámetros de red en respuesta a cambios contextuales o del entorno. Esta tecnología se basa en algoritmos que aprenden en tiempo real a modificar configuraciones como la dirección de los haces electromagnéticos de los enlaces inalámbricos, la asignación de recursos o la potencia de transmisión, con el fin de maximizar el rendimiento sin intervención humana constante. En redes 6G, la optimización AO, permite sostener niveles óptimos de latencia y capacidad en escenarios altamente variables como vehículos conectados o realidad aumentada (Chen et al., 2023).

En conjunto, estas tecnologías convergen para habilitar una nueva generación de redes inteligentes que no solo reaccionan, sino que aprenden, colaboran y se adaptan de forma autónoma. Su integración en arquitecturas de red distribuidas permite superar las limitaciones de los enfoques centralizados estándar, abriendo paso a un ecosistema 6G más robusto, seguro y eficiente (Li et al., 2022).

Inteligencia Artificial y Localización Predictiva en el IoMT para Eficiencia Energética

Igualmente, la selección de una estación base óptima basada en predicción de ubicación es clave para reducir el consumo energético en dispositivos médicos móviles al minimizar el número de reconexiones necesarias durante la movilidad del paciente.

En este contexto, la reducción del consumo energético en el Internet de las Cosas Médicas, (IoMT, Internet of Medical Things), mediante técnicas de predicción de ubicación, representa una estrategia esencial para mejorar la sostenibilidad de los dispositivos médicos móviles en entornos 6G. Esta técnica permite anticipar el movimiento de pacientes portadores de dispositivos del IoMT, optimizando la selección de estaciones base y minimizando las reconexiones, lo que se traduce en una notable disminución del consumo de batería (Fernando & Lăzăroiu, 2024).

Por consiguiente, en la red móvil de sexta generación, (6G, Sixth Generation Mobile Network), esta funcionalidad adquiere una relevancia crítica debido al incremento exponencial de sensores corporales y dispositivos inteligentes interconectados. En un entorno hospitalario, por ejemplo, sistemas de seguimiento de pacientes ambulatorios utilizan aprendizaje automático profundo, (DL, Deep Learning), para predecir trayectorias, asegurando una conexión continua sin requerir búsqueda frecuente de señal, lo que optimiza los recursos de red y prolonga la autonomía de los dispositivos (Qamar et al., 2024).

Simultáneamente, se han desarrollado algoritmos de localización dinámica, (ODL, Online Dynamic Localization), que ajustan en tiempo real la selección del enlace más eficiente según los patrones de movilidad del paciente. Estos mecanismos se integran con plataformas de cómputo perimetral, (MEC, Mobile Edge Computing), lo que permite decisiones instantáneas basadas en predicciones contextuales sin recurrir al procesamiento en la nube, reduciendo así la latencia y el consumo energético total (Putra et al., 2024).

Además, este enfoque se aplica también en sistemas de monitorización en tiempo real fuera del hospital, como en el caso de pacientes con enfermedades crónicas que requieren seguimiento continuo. Dispositivos portátiles con módulos GPS y acelerómetros emplean predicciones para activar o desactivar interfaces de comunicación, preservando energía durante períodos de inactividad o desplazamiento predecible (Estrela et al., 2023).

Del mismo modo, en redes 6G habilitadas para inteligencia distribuida, los sistemas del IoMT incorporan inteligencia colaborativa y aprendizaje federado, (FL, Federated Learning), que permiten actualizar modelos de predicción sin enviar todos los datos al servidor. Esto no solo reduce el tráfico de red, sino que también disminuye el consumo energético, manteniendo la privacidad de la información médica (Alawadhi et al., 2023).

Por lo tanto, la predicción de ubicación en redes de Internet de las Cosas Médicas, (IoMT, Internet of Medical Things), bajo entornos 6G constituye una herramienta avanzada para mejorar la eficiencia energética y asegurar la conectividad confiable de dispositivos médicos móviles. Este enfoque no sólo disminuye los costos operativos, sino que también garantiza un soporte médico continuo y seguro para el paciente en movimiento (Putra et al., 2024; Qamar et al., 2024).

Conectividad Optimizada en Ciudades con IA de Baja Complejidad para Redes 6G

Asimismo, la optimización de conectividad para entornos urbanos densos mediante aprendizaje automático de baja complejidad posibilita la inclusión de dispositivos del IoMT de bajo costo, manteniendo eficiencia y estabilidad en la transmisión de datos clínicos.

Desde otra perspectiva, la tecnología de optimización de conectividad en entornos urbanos densos mediante aprendizaje automático de baja complejidad se refiere al uso de técnicas simplificadas de machine learning (ML) que pueden implementarse en dispositivos con capacidad limitada, sin comprometer el rendimiento de la red 6G. Este enfoque permite resolver el problema crítico de la congestión y la gestión dinámica de recursos en contextos urbanos caracterizados por una densidad elevada de usuarios y dispositivos. Estas técnicas incluyen variantes simplificadas de aprendizaje profundo, (DNN, Deep Neural Network), aprendizaje reforzado, (RL, Reinforcement Learning), y algoritmos multi-bandas, (MAB, Multi-Armed Bandits), diseñadas para operar con bajo costo computacional (Rekkas et al., 2021; Serôdio et al., 2023).

En particular, a medida que se incrementa la densidad de dispositivos conectados, como ocurre en las ciudades inteligentes y en infraestructuras de salud con el IoMT (Internet of Medical Things), es indispensable asegurar una conectividad fiable y de baja latencia. Para ello, las redes 6G integran tecnologías como el federated learning (FL), que permite entrenar modelos distribuidos directamente en el borde de la red, evitando el traslado masivo de datos hacia servidores centrales. Esta descentralización contribuye a preservar la privacidad y reduce significativamente la complejidad del sistema, siendo esencial para la eficiencia energética y el desempeño en tiempo real (Puspitasari et al., 2023; Noman et al., 2023).

Por consiguiente, en el contexto urbano, estas soluciones posibilitan aplicaciones críticas como la cirugía remota y la respuesta en emergencias, donde cada milisegundo es vital. Por ejemplo, la utilización de algoritmos de aprendizaje RL ligeros permite optimizar la asignación de espectro y recursos de red de forma continua y adaptativa en función del entorno cambiante, lo cual es fundamental para mantener la calidad de servicio en situaciones de movilidad elevada o congestión extrema (Salh et al., 2021; Tera et al., 2024).

En paralelo, cabe señalar que el diseño de arquitecturas de red 6G con soporte para este tipo de inteligencia distribuida ha sido posible gracias a la incorporación de interfaces aire-mejoradas y tecnologías de comunicación visual-milimétrica (VLC, Visible Light Communication) o de los sub-terahercios. Estas arquitecturas incluyen nodos base inteligentes equipados con capacidades de procesamiento en el borde (MEC, Mobile Edge Computing), lo que permite ejecutar modelos de aprendizaje automático ML de baja complejidad directamente donde se produce el tráfico, optimizando así los recursos en tiempo real (Sharma et al., 2024; Kalor et al., 2024).

En función de los avances recientes, un ejemplo práctico es el uso de redes de sensores inalámbricos embebidos en la infraestructura urbana, que junto a algoritmos optimizados de redes neuronales DNN, permiten un control inteligente del tráfico y de la iluminación pública. Dichas soluciones se han probado con éxito en ciudades piloto como Seúl y Ámsterdam, mostrando una reducción del 35% en congestión y un ahorro energético superior al 20%, gracias a decisiones autónomas descentralizadas (Langpoklakpam & Murry, 2023; Liu et al., 2023).

Igualmente, en aplicaciones industriales, estas técnicas facilitan la implementación de redes privadas 6G que soportan robots colaborativos y sistemas ciberfísicos en manufactura avanzada. Aquí, el uso de transfer learning (TL, Transfer Learning) y aprendizaje RL de bajo consumo ha demostrado ser eficaz para adaptar los modelos a nuevas configuraciones de forma rápida y sin reentrenamiento exhaustivo, garantizando continuidad operacional incluso ante fallos parciales en la red (Shen et al., 2023; Nguyen et al., 2022).

Adicionalmente, en el ámbito de las comunicaciones satelitales-terrestres integradas, el aprendizaje ML de baja complejidad juega un papel central en el control de haces electromagnéticos multitrayectoria y la estimación de canales, particularmente en zonas urbanas de difícil cobertura. El empleo de algoritmos de clustering no supervisado ha permitido mejorar la cobertura satelital y reducir el retardo de los enlaces, en más del 40%, según pruebas de campo en áreas urbanas densas (Duong et al., 2023).

Por lo tanto, esta convergencia entre redes 6G y aprendizaje automático de baja complejidad no solo representa un avance técnico relevante, sino una herramienta esencial para construir entornos urbanos estables, sostenibles y adaptativos. Al permitir soluciones de conectividad inclusiva, escalable y eficiente en el consumo de energía, estas tecnologías contribuyen significativamente al desarrollo social y económico de las ciudades del futuro (Chafii et al., 2023; Nawaz et al., 2019).

Impacto transformador de las tecnologías 6G en aplicaciones críticas y la vida cotidiana

En conclusión, las tecnologías emergentes en el ámbito de las comunicaciones móviles, como el aprendizaje en línea, los algoritmos de Aprendizaje de Bandido Multibrazo (MAB, Multi-Armed Bandit) y las redes neuronales profundas, están redefiniendo los límites de la conectividad. Estas herramientas permiten una gestión de haces más eficiente y adaptativa, esencial para satisfacer las crecientes demandas de aplicaciones que requieren alta velocidad, baja latencia y fiabilidad, como la telemedicina, la realidad aumentada y las redes vehiculares inteligentes (Mohamed et al., 2020; Prasath & Gokulakrishnan, 2023).

Por ejemplo, en el ámbito de la salud, la implementación de redes 6G equipadas con estas tecnologías facilita la realización de cirugías remotas y el monitoreo continuo de pacientes, mejorando significativamente la calidad de la atención médica (Mohamed, 2021). En las ciudades inteligentes, la capacidad de las redes para adaptarse dinámicamente a las condiciones del entorno y a las necesidades de los usuarios contribuye a una gestión más eficiente del tráfico, la seguridad y los servicios públicos (Brilhante et al., 2023).

Además, en el sector industrial, la conectividad mejorada y la capacidad de adaptación de las redes 6G impulsan la automatización y la eficiencia operativa, permitiendo una respuesta más rápida a las condiciones cambiantes del mercado y del entorno. La integración de estas tecnologías también promueve la innovación en áreas como la agricultura de precisión, la logística y la manufactura avanzada (Demirhan & Alkhateeb, 2021).

Dado el impacto significativo de estas tecnologías en diversos aspectos de la vida cotidiana y en sectores clave de la economía, es fundamental fomentar la investigación y el desarrollo continuo en este campo. La colaboración entre la academia, la industria y los gobiernos será esencial para superar los desafíos técnicos y éticos asociados con la implementación de estas tecnologías, asegurando que sus beneficios se distribuyan de manera equitativa y sostenible (Rezaie & Khalaj, 2021).

En definitiva, el avance hacia redes 6G más inteligentes y adaptativas, impulsadas por el aprendizaje en línea, los algoritmos MAB y las redes neuronales profundas, representa una oportunidad única para transformar la sociedad, mejorar la calidad de vida y promover un desarrollo económico más inclusivo y sostenible (Xu et al., 2024).

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.