4.9- Tecnologías emergentes en 6G: Drones, sensores y redes neuronales

Por: Anne Marie Madoni

Revisar literatura recomendada

08/05/2025

Avances clave en el uso de aprendizaje automático y sensores para redes 6G

En la era de las comunicaciones móviles de sexta generación (6G), tecnologías emergentes como el Aprendizaje Automático (ML, Machine Learning) y la localización precisa están revolucionando el diseño y la gestión de las redes inalámbricas. Estas innovaciones son fundamentales para abordar los desafíos de las comunicaciones en frecuencias de las Ondas Milimétricas (mmWave, millimeter Wave) y de los Terahercios (THz, Terahertz), donde la propagación de señales es altamente sensible a obstrucciones y variaciones ambientales (Alkhateeb et al., 2023). La integración de datos de sensores multimodales, como cámaras de Detección y Rango por Luz (LiDAR, Light Detection and Ranging) y el Sistema de Posicionamiento Global (GPS, Global Positioning System), permite una predicción más precisa de los haces óptimos, mejorando la eficiencia y confiabilidad de las conexiones inalámbricas (Demirhan & Alkhateeb, 2021).

Para ilustrar el tema que describimos en este artículo, la imagen destacada ilustra con claridad una escena representativa de entornos industriales avanzados en el contexto de la Industria 5.0. En el primer plano, se observa a una ingeniera y un técnico colaborando de manera sinérgica: ella opera una interfaz holográfica mediante gestos, mientras él inspecciona una extremidad robótica utilizando una herramienta inteligente con proyección de datos. Ambos profesionales visten uniformes equipados con sensores IoT compatibles con tecnología 6G, lo cual refuerza la presencia de conectividad ubicua. La iluminación del espacio combina luz natural con tonalidades cálidas y acentos azul-violeta generados por dispositivos tecnológicos, contribuyendo a una atmósfera que conjuga lo humano y lo digital. En el fondo, se distinguen drones equipados con sensores LiDAR, pantallas holográficas flotantes que visualizan mapas térmicos y representaciones gráficas, así como otros técnicos inmersos en labores especializadas. El conjunto transmite una noción de ecosistema hiperconectado, dinámico y preciso, sostenido por algoritmos de aprendizaje automático (ML) y redes neuronales convolucionales (CNN), donde la interacción humano-máquina resulta fundamental para el mantenimiento y la optimización de procesos industriales complejos.

DeepSense 6G: Dataset clave para la próxima generación de comunicaciones inalámbricas

El conjunto de datos DeepSense 6G se ha convertido en una herramienta esencial para la investigación en este campo. Al proporcionar datos reales de entornos urbanos y vehiculares, permite entrenar modelos de aprendizaje automático ML, que pueden predecir la dirección óptima de los haces electromagnéticos de los enlaces, basándose en la posición del usuario y las características del entorno. Esto es especialmente relevante en escenarios donde la línea de vista directa no siempre está disponible, y se requiere una adaptación dinámica de los haces para mantener la calidad del servicio (Alkhateeb et al., 2023).

Cabe señalar, que el conjunto de datos DeepSense 6G representa un recurso de vanguardia para el desarrollo de tecnologías inalámbricas emergentes, ya que integra de forma sinérgica datos multimodales de comunicación y sensores, recolectados en condiciones reales y urbanas altamente dinámicas. A diferencia de enfoques artificiales, este dataset contiene capturas desde cámaras, sensores inerciales, localización GPS y métricas de canal de ondas mmWave, proporcionando así una visión integral del entorno físico y radioeléctrico (Alkhateeb et al., 2023).

Además, resulta relevante destacar que DeepSense 6G ha sido concebido como un banco de pruebas para entrenar modelos de aprendizaje profundo en escenarios vehiculares e infraestructura urbana, contribuyendo significativamente a resolver el problema de predicción de haces en sistemas de comunicaciones sin línea de vista directa. En este contexto, los modelos entrenados con estos datos pueden anticipar la dirección óptima del haz de antena, mejorando notablemente la cobertura y calidad del servicio (Charan et al., 2022).

De la misma forma, se observa que en el ámbito de las tecnologías habilitadoras para redes móviles de sexta generación (6G), el dataset DeepSense 6G se ha utilizado en experimentos aplicados como la predicción de obstrucciones de la línea de vista mediante arquitecturas de aprendizaje profundo combinando redes convolucionales y memoria a largo y corto plazo, (LSTM, Long Short-Term Memory), integradas con técnicas de aprendizaje visual (Bajaj et al., 2024). Un ejemplo concreto consiste en el modelo VisionReli6G, el cual permite anticipar bloqueos en la transmisión mediante análisis en tiempo real del entorno con imágenes recolectadas desde vehículos móviles.

En lo que se refiere al modelo VisionReli6G, este constituye una arquitectura híbrida que fusiona redes neuronales convolucionales con unidades de memoria a largo y corto plazo, (LSTM, Long Short-Term Memory), para predecir bloqueos en la línea de vista en redes 6G mediante análisis visual. Así, este modelo mejora la fiabilidad del enlace inalámbrico al anticipar interrupciones causadas por obstáculos urbanos, facilitando la adaptación dinámica de los haces de antena en tiempo real (Bajaj et al., 2024).

En consecuencia, DeepSense 6G ha sido clave en el desarrollo de paradigmas como la comunicación semántica predictiva, donde no sólo se transmiten bits, sino significados inferidos por modelos entrenados previamente con datos reales. Esta capacidad ha sido fundamental en aplicaciones como la navegación cooperativa entre vehículos, donde los sensores visuales y los mapas de canales son utilizados de manera combinada para inferir decisiones de movilidad (Imran et al., 2024).

En este contexto, uno de los desarrollos más innovadores basados en este conjunto de datos ha sido su implementación en drones autónomos, para lograr la predicción del mejor canal de comunicación en función de las imágenes capturadas por sus cámaras en movimiento. Esta solución mejora la conectividad aérea al anticipar zonas de señal débil y ajustarse en tiempo real, como se ha demostrado en experimentos con el sistema DeepSense-V2V, dedicado a enlaces vehículo a vehículo (Morais et al., 2024).

En cuanto al sistema DeepSense-V2V, este representa una plataforma de datos multimodales orientada a la comunicación entre vehículos, integrando señales de cámara, GPS, sensores de movimiento y parámetros del canal inalámbrico. Por tanto, permite desarrollar modelos de localización y predicción de haces de alta precisión que responden a los cambios del entorno, fundamentales en contextos de movilidad urbana intensiva (Morais et al., 2024).

Asimismo, se han desarrollado métodos de localización pixel a pixel que fusionan visión por computadora y mapas de haces, lo cual permite determinar posiciones exactas en entornos urbanos sin necesidad de GPS convencional. Este enfoque resulta esencial en escenarios urbanos densos donde las señales de localización suelen ser imprecisas o bloqueadas (Charan et al., 2024).

De igual manera, se ha verificado la utilidad del dataset en aplicaciones de gemelos digitales en tiempo real, aprovechando datos multicanal para modelar, simular y controlar entornos urbanos complejos en simulaciones sincronizadas con la red física. Esto no sólo optimiza el rendimiento, sino que permite validar decisiones sin riesgos operativos (Alkhateeb et al., 2023).

Por consiguiente, las tecnologías relacionadas con DeepSense 6G emplean avances clave como redes de acceso de múltiples entradas y múltiples salidas en ondas milimétricas, (mmWave MIMO, millimeter Wave Multiple Input Multiple Output), así como comunicaciones vehiculares de próxima generación basadas en visión, (V2V, Vehicle-to-Vehicle). Estas tecnologías están siendo habilitadas por la recopilación de datos reales y diversidad de sensores sin precedentes, reforzando la relevancia del dataset en el desarrollo de inteligencia artificial para 6G.

Para hacer referencia a las comunicaciones vehiculares de próxima generación basadas en visión, (V2V, Vehicle-to-Vehicle), éstas, permiten el intercambio inteligente de información sensorial entre automóviles, incrementando la seguridad y la coordinación autónoma. Así, la visión por computadora se emplea para interpretar entornos complejos y generar decisiones cooperativas, apoyada por redes de baja latencia habilitadas por tecnologías 6G (Alkhateeb et al., 2023).

Conviene por otro lado subrayar, que el conjunto DeepSense 6G no sólo es un instrumento técnico, sino una plataforma estratégica de investigación que impulsa la construcción de algoritmos robustos y adaptativos para sistemas de comunicaciones inteligentes. Al integrar modalidades sensoriales variadas y condiciones de propagación auténticas, se convierte en un referente insustituible para la experimentación científica orientada a la próxima generación de redes móviles.

Predicción de haces de ondas mmWave con aprendizaje profundo y bandas sub-7 GHz en 6G

Se ha demostrado, que la combinación de información de canales en bandas sub-7 GHz con técnicas de aprendizaje profundo, muestra ser efectiva para predecir haces en el espectro de las ondas mmWave. Esta correlación espacial permite reducir significativamente el tiempo necesario para realizar barridos completos, lo que es fundamental en entornos dinámicos como el tráfico vehicular (Demirhan & Alkhateeb, 2021).

Por una parte, la predicción eficiente de haces en frecuencias milimétricas, o mmWave, se ha convertido en una necesidad imperante para las telecomunicaciones 6G. En este contexto, la combinación de información de canal proveniente de bandas de los sub-7 GHz con técnicas de aprendizaje profundo, (DL, Deep Learning), constituye una solución emergente para predecir la dirección y estructura de los haces electromagnéticos de los enlaces inalámbricos, minimizando la latencia de barrido (Khan et al., 2023). En lugar de realizar una exploración exhaustiva del espectro en las mmWave, estas soluciones se apoyan en la correlación espacial entre las bandas, lo que permite inferir directamente los patrones de propagación en frecuencias superiores.

Asimismo, la arquitectura técnica se basa en el uso de representaciones de estado del canal (CSI, Channel State Information) recopiladas en la banda sub-7 GHz, que son posteriormente transformadas por modelos neuronales convolucionales o redes recurrentes (CNN, Convolutional Neural Networks y RNN, Recurrent Neural Networks) para predecir la mejor dirección del haz de las ondas mmWave. En un estudio experimental, se observó que la aplicación de estas redes redujo hasta en un 70% el tiempo de formación del haz sin comprometer la tasa de acierto (Lopes et al., 2022).

Simultáneamente, la implementación práctica de esta sinergia entre bandas ha sido validada en escenarios urbanos de alta movilidad, como el tráfico vehicular inteligente. Por ejemplo, en redes vehiculares 6G, los datos de canales sub-7 GHz, obtenidos a través de sensores V2X (Vehicle-to-Everything), se utilizan como entradas para algoritmos de aprendizaje reforzado profundo (DRL, Deep Reinforcement Learning), prediciendo la trayectoria del vehículo y ajustando en tiempo real el haz óptimo (Ye et al., 2024).

Más allá de las aplicaciones vehiculares, este enfoque se ha extendido a infraestructuras urbanas inteligentes, donde estaciones base dotadas con Massive MIMO (Multiple-Input Multiple-Output) integran información sub-7 GHz para gestionar haces múltiples en entornos densos como estadios o estaciones (Amodu et al., 2024). El aprovechamiento de datos contextuales provenientes de sensores IoT, combinados con mapas radiales aprendidos por redes neuronales, permite anticipar la variación del canal y preestablecer haces dirigidos con baja sobrecarga computacional (Xue et al., 2024).

Por otro lado, el desarrollo de simuladores de entorno urbano, como los utilizados en el diseño de redes no terrestres (NTN, Non-Terrestrial Networks), ha evidenciado la utilidad de esta técnica en drones o satélites de baja órbita, permitiendo una predicción de haces eficiente en altitudes variables mediante aprendizaje supervisado multietapa (Huo et al., 2023). Estas redes satelitales emplean redes LSTM, (Long Short-Term Memory), para mantener un seguimiento secuencial de las trayectorias espaciales, ajustando dinámicamente la orientación de haces.

Además, el uso de aprendizaje federado (FL, Federated Learning), ha sido propuesto para preservar la privacidad de los usuarios mientras se entrena de forma colaborativa modelos que asocian características del canal operando en los sub-7 GHz con resultados óptimos de haz en ondas mmWave (Sun et al., 2023). Este enfoque permite distribuir el entrenamiento del modelo entre múltiples dispositivos sin necesidad de compartir directamente los datos brutos.

En suma, la fusión de bandas de los sub-7 GHz con redes neuronales profundas para predecir haces de ondas mmWave representa una técnica de gran valor en la evolución de la comunicación 6G. La reducción del tiempo de barrido, la mejora en la calidad del enlace y la adaptabilidad a condiciones cambiantes confirman su utilidad en escenarios como ciudades inteligentes, transporte autónomo, entornos industriales con robótica coordinada, y redes holográficas de próxima generación (Chen et al., 2023).

Aplicación de algoritmos de aprendizaje automático en comunicaciones 6G con el conjunto de datos DeepSense

Dado los resultados prometedores de los enfoques de seguimiento de haces asistidos por ubicación, es importante el análisis del rendimiento en escenarios del mundo real. En particular, se es imprescindible la comparación de algoritmos de aprendizaje automático, cómo, tabla de búsqueda, KNN y redes neuronales (NN), aplicados sobre un conjunto de datos DeepSense. De acuerdo con los resultados experimentales, al emplear por ejemplo una matriz de 64 haces, los métodos basados en ubicación pueden alcanzar una precisión de hasta un 99% junto con una reducción de un 66% en la sobrecarga. No obstante, dicha precisión depende considerablemente del tamaño del libro de códigos y de la exactitud de la información de ubicación.

En concreto, el seguimiento de haces (beam tracking) es un proceso esencial en redes 6G, ya que permite mantener enlaces robustos y direccionados entre transmisores y receptores en frecuencias milimétricas (mmWave) o de los terahercios (THz). Este procedimiento se basa en identificar de manera eficiente el mejor haz direccional para maximizar la calidad del enlace. Por ende, los algoritmos de aprendizaje automático (ML, Machine Learning) desempeñan un papel clave, especialmente cuando se aplican sobre conjuntos de datos realistas como DeepSense, que incorpora información sensorial y de ubicación en entornos urbanos reales (Charan & Alkhateeb, 2024).

Por otro lado, una tabla de búsqueda (LUT, Lookup Table) es una técnica estándar y determinista que almacena mapeos predefinidos entre posiciones espaciales e índices de haces electromagnéticos óptimos. Este enfoque es simple y de baja complejidad computacional; sin embargo, su eficacia depende enormemente de la resolución espacial y del tamaño del libro de códigos, siendo vulnerable a cambios dinámicos en el entorno (Shi et al., 2024).

Posteriormente, el algoritmo de K vecinos más cercanos (KNN, K-Nearest Neighbors) opera clasificando un punto desconocido según la mayoría de clases entre sus vecinos más cercanos en el espacio de características. En el contexto de 6G, KNN ha sido útil para predecir la dirección del haz óptimo basándose en coordenadas espaciales, intensidad de señal u otros parámetros del canal (Dissanayake & Temdee, 2023). Aunque su precisión puede superar el 95%, este método sufre de alta carga computacional al escalar a grandes volúmenes de datos, como los contenidos en DeepSense.

En relación a las redes neuronales (NN, Neural Networks) y sus variantes como las redes convolucionales (CNN, Convolutional Neural Networks), éstas, permiten modelar relaciones no lineales entre los datos sensoriales y las direcciones de los haces electromagnéticos, lo cual resulta especialmente beneficioso en entornos urbanos dinámicos. Por ejemplo, modelos de redes NN entrenados sobre DeepSense han alcanzado precisiones superiores al 98% en la predicción de índices de haces en comunicaciones vehículo-infraestructura (V2I, Vehicle-to-Infrastructure), reduciendo considerablemente la sobrecarga de señalización (Busari et al., 2024; Khan et al., 2023).

Simultáneamente, en el campo emergente de las redes 6G, estas tecnologías se aplican en casos concretos como drones para entrega autónoma, vehículos conectados, y fábricas inteligentes. En estas aplicaciones, los sistemas de aprendizaje ML ayudan a mantener enlaces confiables mediante el ajuste dinámico del haz conforme cambia la posición del nodo móvil (Shouman et al., 2024). Por ejemplo, los algoritmos redes KNN y NN han demostrado ser eficaces al integrarse con sensores de radar y visión para predecir de forma anticipada el índice del haz electromagnético requerido (Li et al., 2024).

De manera complementaria, algunos estudios han evidenciado cómo modelos híbridos que combinan múltiples fuentes de datos (por ejemplo, señales de acelerómetros, GPS, imágenes) mejoran la robustez del sistema de seguimiento de haces. En particular, los trabajos de Khan et al. (2023) y Shi et al. (2024) destacan cómo la integración de estas tecnologías en redes 6G permite reducir la latencia y aumentar la fiabilidad, elementos esenciales para aplicaciones críticas como cirugía remota o conducción autónoma.

En efecto, se ha observado que el desempeño de estos algoritmos varía en función del contexto de despliegue, el tipo de entorno urbano, la cantidad de nodos y la densidad espectral. Por tanto, para lograr una implementación eficaz en 6G, se recomienda una evaluación comparativa cuidadosa, considerando métricas como la precisión, el tiempo de predicción y el consumo energético.

Análisis de KNN, redes neuronales y tablas de búsqueda para comunicaciones 6G urbanas

En primer lugar, diversos estudios recientes han demostrado que los algoritmos de aprendizaje automático, como la tabla de búsqueda, KNN y las redes neuronales, son herramientas eficaces para la alineación de haceselectromagnéticos de los enlaces inalámbricos, asistida por ubicación en contextos urbanos reales (Rezaie, 2023). La tabla de búsqueda permite una consulta rápida, aunque presenta limitaciones de memoria. Por su parte, el algoritmo KNN, que selecciona haces comparando ubicaciones mediante distancias, ofrece mayor flexibilidad, pero demanda mayor capacidad computacional, ya que compara cada entrada nueva con todas las existentes.

Por consiguiente, la sexta generación de comunicaciones móviles, conocida como 6G, se vislumbra como una arquitectura tecnológicamente enriquecida que integrará inteligencia artificial (IA) en múltiples niveles de su infraestructura. Dentro de esta perspectiva, destacan estas tres tecnologías clave: la tabla de búsqueda (Lookup Table, LUT), el algoritmo de los k vecinos más cercanos (KNN, K-Nearest Neighbors) y las redes neuronales artificiales (ANN, Artificial Neural Networks), las cuales desempeñan funciones necesarias en la alineación de haces, la predicción de movimiento y la gestión de recursos en escenarios urbanos densamente poblados (Khan et al., 2023).

Considerando, que el análisis mediante LUT se basa en almacenar datos preprocesados en estructuras indexadas que permiten búsquedas rápidas para decisiones en tiempo real, su implementación requiere menos poder computacional en comparación con otros métodos, su rendimiento disminuye en entornos dinámicos por su incapacidad de adaptarse sin actualización continua (Valcarce et al., 2024). Por ejemplo, la técnica LUT se aplica en la gestión de haces milimétricos para encontrar rápidamente la mejor dirección de transmisión según la ubicación del dispositivo, especialmente útil en escenarios como cruces urbanos con múltiples rutas posibles.

Por otra parte, el algoritmo de redes KNN es un enfoque basado en la similitud entre vectores de características. Este método compara la entrada actual con ejemplos almacenados y toma decisiones en función de la mayoría de los vecinos más cercanos. En entornos urbanos, donde las condiciones de propagación son impredecibles, las redes neuronales KNN se han aplicado eficazmente para la predicción de la calidad del enlace y la selección de haces, proporcionando resultados precisos aunque con alta demanda computacional (Ismail & Buyya, 2022).

Asimismo, las redes neuronales, como las redes convolucionales (CNN, Convolutional Neural Networks) o las redes recurrentes (RNN, Recurrent Neural Networks), permiten modelar relaciones complejas entre variables espaciales y temporales. En sistemas 6G, estas arquitecturas son utilizadas para predicción de movimiento del usuario, clasificación de patrones de tráfico y asignación adaptativa de recursos de red (Zhang et al., 2021). Un caso concreto es el uso de redes neuronales CNN para reconocer patrones de movilidad urbana en base a datos históricos y cámaras de vigilancia, facilitando la proyección de rutas óptimas para vehículos autónomos conectados a redes 6G.

De igual modo, investigaciones recientes han demostrado el potencial de combinar estos métodos para sistemas inteligentes híbridos. Por ejemplo, Asad (2022) propuso una arquitectura que integra LUT para decisiones rápidas, las redes KNN para refinar la estimación inicial y una red neuronal para adaptarse a cambios ambientales. Este enfoque ha sido implementado en simulaciones de ciudades inteligentes, logrando una mejora del 20 % en precisión de localización respecto a modelos convencionales.

Paralelamente, aplicaciones prácticas de estas tecnologías en 6G incluyen la predicción de movilidad de usuarios, optimización del uso de espectro, y coordinación entre nodos en redes de acceso abiertas (O-RAN, Open Radio Access Network). En este contexto, un estudio de Chen et al. (2022) evidenció que el uso combinado de redes KNN y neuronales en comunicaciones masivas máquina a máquina (mMTC, Massive Machine-Type Communications) mejora la confiabilidad en la detección de eventos urbanos críticos como accidentes o congestión vial.

De esta manera, las tecnologías LUT, KNN y ANN representan pilares en la evolución hacia redes urbanas inteligentes potenciadas por 6G. Cada una aporta ventajas específicas en velocidad, adaptabilidad y precisión, y su integración coordinada constituye una estrategia eficaz para afrontar los desafíos que plantean las ciudades densamente interconectadas del futuro (Sarkar et al., 2024; Hoque et al., 2024).

Aplicaciones de Deep Learning con Conjuntos DeepSense para Redes Inalámbricas 6G

Tenemos que resaltar, que las redes neuronales profundas poseen mayor robustez, dado que pueden aprender relaciones complejas entre variables del entorno. Estas redes, al entrenarse con conjuntos de datos representativos como DeepSense, logran identificar con alta precisión los haces óptimos en función de la ubicación del receptor (Khan et al., 2023). Por ejemplo, con una matriz de 64 haces, estas redes pueden reducir la necesidad de pruebas intensivas en tiempo real, favoreciendo así la eficiencia operativa.

A partir de lo anterior, conviene destacar que las redes neuronales profundas han emergido como herramientas esenciales en la arquitectura de redes móviles de sexta generación (6G), especialmente en la predicción eficiente de haces óptimos en enlaces inalámbricos. En particular, la integración de conjuntos de datos como DeepSense permite modelar el entorno de propagación con precisión milimétrica, lo que mejora significativamente la asignación del haz adecuado en tiempo real (Farzanullah et al., 2025). Por ejemplo, estas redes aprenden a inferir la dirección más eficaz de transmisión basándose en la posición y los patrones ambientales percibidos por sensores y receptores distribuidos.

Simultáneamente, el funcionamiento de estas redes neuronales profundas se basa en arquitecturas de capas interconectadas capaces de extraer representaciones jerárquicas de los datos. Cuando se entrenan con el conjunto de datos DeepSense 6G, que contiene registros multivariados de contextos reales de comunicación en movimiento, las redes pueden identificar correlaciones espaciales y temporales críticas para la predicción precisa del haz (Moaty et al., 2025). Así, mediante algoritmos como el aprendizaje supervisado y técnicas como el descenso de gradiente estocástico, estas redes optimizan su capacidad de generalización y robustez ante variaciones topológicas.

Por otro lado, cabe mencionar tecnologías específicas utilizadas en este campo. Por ejemplo, las redes neuronales convolucionales (CNN, Convolutional Neural Networks) han demostrado eficacia en la predicción espacial de haces, al igual que las redes recurrentes de memoria a corto y largo plazo (LSTM, Long Short-Term Memory), que permiten capturar dinámicas temporales en entornos de movilidad (Tariq et al., 2024). Además, innovaciones recientes como los transformadores cuánticos (QTN, Quantum Transformer Networks) también están siendo exploradas para mejorar aún más la precisión del modelado de haces en escenarios vehiculares (Tariq et al., 2024).

Igualmente, se puede destacar las aplicaciones prácticas derivadas de esta tecnología. Por ejemplo, en entornos vehiculares de infraestructura a vehículo (V2I, Vehicle-to-Infrastructure), estas redes permiten seleccionar el haz electromagnético más adecuado antes de que el vehículo entre en la zona de cobertura, reduciendo significativamente la latencia de conexión (Tariq et al., 2024). Otro caso de uso se presenta en redes de sensores en ciudades inteligentes, donde la predicción de haces asegura conectividad estable entre nodos móviles, incluso en presencia de obstáculos físicos complejos.

Debe enfatizarse, que el uso de redes neuronales profundas entrenadas con DeepSense 6G no solo optimiza la selección de haces en tiempo real, sino que también posibilita la implementación de servicios ultraconfiables y de baja latencia, esenciales para la nueva generación de comunicaciones móviles (Farzanullah et al., 2025). Estos avances consolidan una sinergia entre inteligencia artificial y tecnologías inalámbricas de alta frecuencia, asegurando una transmisión eficiente, estable y contextualizada.

Optimización del rendimiento mediante predicción basada en ubicación

Asimismo, se ha observado que el uso de ubicación como variable de entrada en modelos de aprendizaje automático permite restringir el número de haces candidatos, lo que mejora notablemente la eficiencia del sistema (Xue et al., 2024). En lugar de realizar una evaluación exhaustiva de todos los haces, el sistema se concentra en aquellos con mayor probabilidad de proporcionar una conexión estable, basada en la posición del usuario y las propiedades del entorno circundante.

Predicción de Haces Óptimos en 6G: Rol de la Ubicación y del Código de Haz

Es importante destacar, que la precisión del modelo depende del tamaño del libro de códigos y de la calidad de la ubicación del usuario, proporcionada. Un mayor número de haces implica más opciones, pero también incrementa la complejidad computacional. A su vez, una ubicación inexacta puede inducir a la elección de haces subóptimos, disminuyendo la calidad de la señal (Farhad & Pyun, 2023). Esta problemática es particularmente crítica en áreas urbanas densamente edificadas, donde las obstrucciones físicas impactan significativamente la propagación de la señal.

Por otro lado, se ha evidenciado que la precisión en la ubicación del usuario y el tamaño del libro de códigos son dos parámetros fundamentales para garantizar la calidad de la señal en redes móviles 6G. En contextos donde se requiere seleccionar el haz electromagnético adecuado entre cientos de opciones posibles, una ubicación precisa permite reducir el conjunto de haces candidatos, optimizando la eficiencia del modelo de predicción (Charan et al., 2024). Por ejemplo, en entornos urbanos densamente edificados, donde las reflexiones múltiples y los bloqueos físicos son comunes, errores de pocos metros en la localización pueden llevar a la elección de haces subóptimos, reduciendo la intensidad de la señal y aumentando la latencia de enlace (Makadia et al., 2024).

De igual manera, el tamaño del libro de códigos influye directamente en la granularidad de los haces disponibles. Un libro de códigos más grande incluye haces más estrechos y direccionados, lo cual puede mejorar la calidad de la señal en condiciones ideales. Sin embargo, este incremento en la resolución también genera una mayor carga computacional y requiere una localización mucho más precisa para evitar la degradación de la conexión (Raha et al., 2024). Por ejemplo, algunos trabajos emplean libros de códigos jerárquicos que permiten una búsqueda progresiva desde haces anchos a estrechos, equilibrando precisión y eficiencia (Dreifuerst & Heath, 2023).

En consecuencia, se han desarrollado algoritmos de predicción de haces que incorporan la información de ubicación a partir de sensores GPS, LiDAR o cámaras, combinándola con técnicas de aprendizaje profundo como las redes neuronales convolucionales (CNN, Convolutional Neural Networks) y los transformadores espaciales. Estas metodologías no sólo identifican el haz más adecuado, sino que adaptan dinámicamente el libro de códigos en función del contexto de movilidad y de la arquitectura urbana (Charan et al., 2022).

Además, en aplicaciones concretas como las comunicaciones vehículo-infraestructura (V2I, Vehicle-to-Infrastructure), los sistemas predicen el haz ideal antes de la llegada del vehículo al punto de conexión, usando su trayectoria estimada y un libro de códigos optimizado en tiempo real (Makadia et al., 2024). En entornos de drones de reparto o de vigilancia urbana, se ha demostrado que una mayor precisión en el posicionamiento reduce el número de reconfiguraciones de haz, lo que mejora la estabilidad del enlace y reduce el consumo energético (Charan & Alkhateeb, 2024).

Adicionalmente, algunos estudios han propuesto técnicas de aprendizaje semántico que combinan ubicación, características visuales del entorno y datos históricos para elegir el haz óptimo, incluso en situaciones de baja visibilidad o condiciones climáticas adversas. Estas estrategias, basadas en modelos avanzados como los transformadores multimodales y la inferencia contextual, han mostrado mejoras en la precisión de predicción de hasta un 15% en comparación con métodos basados exclusivamente en ubicación GPS (Raha et al., 2024).

Aplicaciones prácticas del seguimiento de haces en redes vehiculares y móviles

De esta forma, un caso práctico de aplicación se encuentra en las redes vehiculares, donde los vehículos transitan por zonas con condiciones variables de propagación. En estos entornos, el uso de datos de ubicación combinado con modelos de aprendizaje automático entrenados previamente permite mantener conexiones estables y con baja latencia, lo cual es indispensable para la operación segura de vehículos autónomos (Xue et al., 2024).

Predicción inteligente de haces en 6G usando correlación espacial: fundamentos y casos

Considerando que, en situaciones con línea de vista se demuestra la existencia de una correlación espacial entre las características del canal en frecuencias sub-7 GHz con el espectro de ondas mmWave. Esta correlación se puede aprovechar utilizando el perfil de retardo de potencia sub-7 GHz como entrada para modelos basados en redes neuronales profundas, los cuales predicen el haz óptimo para el enlace en las mmWave. A medida que se recogen más datos, estas redes mejoran la precisión de sus predicciones (Farhad & Pyun, 2023).

A pesar de los avances significativos en las comunicaciones móviles, la transición hacia la sexta generación (6G) ha exigido soluciones más eficientes para manejar el direccionamiento de haces electromagnéticos en bandas milimétricas (mmWave). En este sentido, la correlación espacial se presenta como una herramienta estratégica para optimizar la predicción de haces, especialmente en contextos con línea de vista directa (LoS, Line of Sight). Esta técnica explota la coherencia espacial entre los canales de baja frecuencia (por debajo de los 7 GHz) y las bandas de las ondas mmWave para inferir el mejor haz posible sin necesidad de barridos exhaustivos o mediaciones redundantes (Farhad & Pyun, 2023).

Por consiguiente, la correlación espacial se apoya en la similitud estructural de los entornos electromagnéticos para vincular características del canal en múltiples bandas. De este modo, tecnologías como redes neuronales profundas (DNN, Deep Neural Networks) procesan perfiles de retardo de potencia obtenidos del rango espectral de los sub-7 GHz para prever la dirección óptima de los haces electromagnéticos en las frecuencias de ondas mmWave. Por ejemplo, un modelo puede entrenarse con datos en baja frecuencia y luego extrapolar esa información para orientar las antenas direccionales en rangos superiores, reduciendo latencia y sobrecarga computacional (Raha et al., 2025).

Además, estas estrategias se integran de forma eficiente con sistemas de aprendizaje por refuerzo profundo (DRL, Deep Reinforcement Learning) y arquitecturas de memoria recurrente como LSTM (Long Short-Term Memory), permitiendo adaptaciones en tiempo real en entornos urbanos dinámicos. Una aplicación concreta de esto se encuentra en los sistemas de posicionamiento en vehículos autónomos, donde la predicción precisa del haz asegura conectividad estable mientras el vehículo se desplaza por zonas con alta densidad de obstáculos (Nguyen et al., 2024).

Simultáneamente, en infraestructuras inteligentes, la predicción de haces basada en correlación espacial mejora la conectividad en interiores como aeropuertos o estadios, donde la propagación de las ondas mmWave suele presentar dificultades debido a la dispersión y absorción. Así, mediante el uso de sensores multibanda y modelado espacio-temporal del canal, las redes pueden anticipar bloqueos y reorganizar el haz antes de que ocurra una interrupción (Sun et al., 2023).

Incluso, existen estudios donde se combina visión artificial con esta técnica. Un ejemplo reciente explora el uso de imágenes de cámaras junto con datos en las sub-7 GHz para inferir cambios espaciales y ajustar el haz de onda mmWave en consecuencia, evitando ataques de suplantación de espacio (proxy spatial attacks), una amenaza creciente en sistemas basados en visión para la predicción de haces (Raha et al., 2025).

Así, la correlación espacial emerge como un recurso versátil y fundamental en la evolución de las redes 6G. No solo permite predicción precisa y eficiente de los haces electromagnéticos, sino que también habilita nuevas formas de inteligencia ambiental que mejoran la confiabilidad, latencia y cobertura en aplicaciones móviles avanzadas. Este enfoque representa un paso clave hacia comunicaciones móviles que integran aprendizaje automático, visión computacional y sensores multibanda para enfrentar las demandas del ecosistema digital del futuro.

Perfiles de retardo y beamforming en 6G: aplicaciones en movilidad vehicular

De la misma forma, mediante el uso de perfiles de retardo de potencia como entrada, es posible predecir de forma eficiente los haces en las ondas mmWave más apropiados. Esta estrategia permite una reducción significativa del tiempo necesario para realizar barridos completos, lo que es beneficioso en entornos altamente dinámicos como el tráfico vehicular (Yu, 2022).

A pesar de las complejidades inherentes al direccionamiento de haces electromagnéticos en frecuencias milimétricas, la sexta generación de comunicaciones inalámbricas (6G) ha incorporado una solución innovadora basada en el perfil de retardo de potencia (PDP, Power Delay Profile). En entornos móviles donde las condiciones del canal varían rápidamente, este perfil se convierte en una herramienta predictiva esencial para anticipar el haz óptimo, reduciendo la necesidad de barridos exhaustivos (Yu, 2022).

En este contexto, el perfil PDP se define como la representación temporal de la potencia recibida a través de múltiples trayectorias del canal, lo cual refleja la dispersión multi-propagación. Así, mediante el uso de algoritmos basados en aprendizaje profundo, como las redes neuronales recurrentes (RNN, Recurrent Neural Networks) o estructuras más avanzadas como la memoria a largo y corto plazo (LSTM, Long Short-Term Memory), es posible mapear estos perfiles hacia índices de haces en sistemas de ondas mmWave (Yang et al., 2024).

Igualmente, una contribución reciente presenta un modelo que utiliza datos en los sub-6 GHz para estimar el perfil PDP y, en consecuencia, predecir de forma precisa el haz en las frecuencias de las mmWave más adecuado en tiempo real. Esta solución se integra a sistemas de vehículos conectados y autónomos, donde las condiciones ambientales cambian rápidamente debido al movimiento (Zhao et al., 2024). Este enfoque ha demostrado mejorar la relación de aciertos en la predicción de haces hasta en un 80 %, reduciendo la latencia de alineación (Bhosale et al., 2024).

De forma adicional, se ha observado que, en entornos urbanos con alta densidad, donde los enlaces en las ondas mmWave son susceptibles a bloqueos, el análisis del perfil PDP permite anticipar pérdidas de conexión y realizar conmutación preventiva del haz, manteniendo una comunicación fluida entre nodos móviles y estaciones base (Charan et al., 2024).

Por otra parte, existen enfoques que integran redes convolucionales mejoradas (ECNN, Enhanced Convolutional Neural Networks) con bases de datos GPS reales para ajustar dinámicamente los haces electromagnéticos inalámbricos en las ondas mmWave basados en la posición del usuario, utilizando transformaciones angulares del perfil PDP (Hamad et al., 2025). Esta estrategia ha sido validada en escenarios de red 6G vehicular, donde se ha logrado mantener conexiones estables incluso a velocidades superiores a 100 km/h.

En cuanto a aplicaciones prácticas, cabe destacar que esta predicción basada en el perfil PDP también se está utilizando en sistemas de infraestructura crítica como ferrocarriles inteligentes, donde es vital mantener una conectividad continua entre trenes de alta velocidad y redes de borde (Zhang et al., 2023). Asimismo, ha sido aplicada en fábricas inteligentes bajo el paradigma de industria 5.0, para asegurar la conectividad ultrabaja latencia de dispositivos IoT en movimiento (Obeidat & El Sanousi, 2024).

Con todo lo anterior, el uso del perfil de retardo de potencia como entrada predictiva para la selección de haces electromagnéticos en las ondas mmWave en 6G, constituye una solución robusta, adaptativa y eficiente frente a la complejidad de entornos dinámicos. Esta técnica, no solo mejora el rendimiento del sistema, sino que abre nuevas oportunidades para la expansión confiable de redes de ultra alta frecuencia en aplicaciones móviles de próxima generación.

Validación de haces en redes 6G mediante simulaciones y Deep Learning

Simuladores como Wireless Insite permiten demostrar que estos enfoques basados en aprendizaje profundo pueden predecir con alta precisión los haces más adecuados, incluso en presencia de obstrucciones. Los estudios basados en simulaciones han evidenciado que la combinación de información de canales en los sub-7 GHz y técnicas de aprendizaje profundo permite reducir el tiempo de barrido sin sacrificar precisión (Xue et al., 2024).

En primer lugar, resulta fundamental destacar que el simulador Wireless InSite es una herramienta de trazado de rayos tridimensional utilizada para modelar la propagación de ondas electromagnéticas en entornos complejos. Este simulador ha sido ampliamente adoptado por especialistas en telecomunicaciones para evaluar con precisión el comportamiento de las señales en bandas milimétricas, tales como las empleadas en tecnologías de sexta generación (6G), permitiendo realizar análisis detallados en presencia de obstrucciones físicas como muros o vehículos (Liu et al., 2024).

Posteriormente, al integrar redes neuronales profundas, los sistemas pueden ser entrenados para identificar los haces direccionales óptimos en enlaces milimétricos mediante el análisis de datos generados por simulaciones. Por ejemplo, se han desarrollado arquitecturas basadas en Convolutional Neural Networks, (CNN) y Long Short-Term Memory, (LSTM), que logran reducir el tiempo de exploración del canal sin afectar la precisión del enlace, al predecir el mejor haz usando información auxiliar de bandas de los sub-6 GHz (Zhao et al., 2024).

Simultáneamente, modelos como la Red neuronal eficiente para entrenamiento de haces milimétricos de campo cercano (NMBEnet, Near-field Millimeter Beamforming Efficient network) han sido validados mediante Wireless InSite para demostrar cómo el entrenamiento supervisado sobre trazado de rayos puede guiar la elección de haces óptimos en entornos urbanos densos. Estos enfoques aprovechan los datos generados por el simulador para simular usuarios múltiples en sistemas OFDM (Multiplexación por División de Frecuencia Ortogonal), mejorando así la eficiencia espectral en las comunicaciones 6G (Liu et al., 2024).

Además, los desarrollos recientes se enfocan en extender estas soluciones hacia la movilidad vehicular en redes Vehicle-to-Infrastructure, (V2I, Vehicle to Infrastructure), en donde los algoritmos predictivos anticipan las trayectorias de los haces basándose en secuencias temporales extraídas por LSTM, permitiendo continuidad en las conexiones aún en condiciones de alta velocidad (Zhao et al., 2024).

De igual manera, trabajos como el de Alrabeiah y Alkhateeb (2020) presentan un sistema que combina sub-6 GHz con Deep Neural Networks, (DNN, Deep Neural Networks) para predecir bloqueos en la propagación y ajustar los haces antes de que se degrade el canal, demostrando la utilidad de Wireless InSite para generar entornos urbanos realistas y entrenar estos modelos.

Consecuentemente, se observa que múltiples publicaciones recientes utilizan este simulador en conjunto con bases de datos como DeepSense 6G, permitiendo entrenar modelos robustos capaces de generalizar ante diferentes tipos de infraestructura y geometrías urbanas. En estos casos, se aplican técnicas de Federated Learning, (FL, Federated Learning) para preservar la privacidad del usuario mientras se mejora la precisión del sistema global (Ali & Koucheryavy, 2025).

Cabe señalar que también se ha validado experimentalmente que estas técnicas logran reducir hasta en 40% el tiempo de establecimiento de haces adecuados, lo cual representa una mejora significativa para sistemas 6G que operan en bandas superiores a 60 GHz, donde las pérdidas por obstrucción son considerables (Chafaa et al., 2022).

En términos de aplicación, los modelos derivados del uso de Wireless InSite están siendo implementados para realizar predicción de haces en entornos interiores complejos, tales como centros comerciales, estaciones de tren y plantas industriales. De este modo, se optimiza la conectividad masiva y de ultra baja latencia necesaria para Internet of Everything, (IoE, Internet of Everything) en la era 6G (Poddar et al., 2023).

Por otro lado, algunos estudios avanzados están explorando cómo integrar estos simuladores con sistemas reales a través de Digital Twins, (DT, Digital Twins), generando simulaciones dinámicas en tiempo real que se actualizan con información del entorno físico mediante sensores, para lograr una predicción aún más precisa en las futuras redes móviles inteligentes (Manalastas et al., 2024).

Optimización de Enlaces 6G con CNN: Clasificación Espacial de Canales Electromagnéticos

En virtud de formular el problema de selección de haces como una tarea de clasificación múltiple, se han propuesto arquitecturas basadas en redes neuronales convolucionales (CNN), que explotan la información espacial del canal y categorizan los posibles haces electromagnéticos de los enlaces, según su rendimiento esperado. Estas redes neuronales CNN pueden procesar huellas digitales del perfil de retardo de potencia para elegir el haz más adecuado, optimizando así la calidad del enlace en sistemas 5G o 6G (Fei et al., 2024).

Como hemos descrito, las redes neuronales convolucionales, (CNN, Convolutional Neural Networks), representan una subcategoría especializada de arquitecturas de aprendizaje profundo que destacan por su capacidad para extraer y analizar patrones espaciales de datos multivariados, siendo ampliamente empleadas en visión por computadora y recientemente adaptadas al dominio de las telecomunicaciones móviles. En el contexto de redes 6G, estas arquitecturas han demostrado un potencial significativo en la categorización de haces de transmisión basados en la información espacial derivada del canal electromagnético, lo cual es esencial para lograr enlaces inalámbricos óptimos y minimizar la interferencia entre usuarios contiguos (Lei et al., 2024).

Ahora bien, al considerar la funcionalidad de las redes CNN en este ámbito, cabe destacar que estas estructuras explotan convoluciones sobre matrices de datos —como huellas digitales del perfil de retardo de potencia— para detectar características espaciales relevantes que permiten inferir la calidad y dirección ideal de un haz electromagnético. Por ejemplo, las entradas a la red neuronal CNN suelen derivarse del Channel State Information, (CSI), el cual encapsula métricas del entorno de propagación, y cuya representación espacial alimenta las capas convolucionales para inferir la clase de haz con mayor rendimiento esperado (Gwo Chin et al., 2023).

Adicionalmente, se han propuesto soluciones concretas para entornos ultra-massive MIMO, (UM-MIMO, Ultra Massive Multiple Input Multiple Output), como el modelo MF-DKCNN que combina múltiples filtros y estrategias de fusión de kernel profundo para estimar canales y predecir haces con alta precisión, incluso bajo condiciones de ruido o baja resolución angular (Ranjith et al., 2023). Estas arquitecturas están diseñadas para reducir la complejidad computacional en tiempo real, aspecto vital para despliegues 6G con bajas latencias.

Simultáneamente, diversos estudios han validado el uso de redes neuronales CNNs mejoradas con mecanismos de atención o arquitecturas híbridas como Long Short-Term Memory, (LSTM), para escenarios dinámicos en donde la movilidad del usuario y las variaciones temporales del canal afectan la alineación precisa del haz. De hecho, los modelos CNN-LSTM han sido aplicados con éxito en sistemas vehiculares 6G, optimizando la selección adaptativa de haces con base en históricos de movimiento y predicción de trayectorias (Murshed et al., 2023).

De forma complementaria, algunos desarrollos recientes integran redes CNN con datos sensoriales como entradas geo-localizadas provenientes de sistemas LiDAR o de sensores infrarrojos, permitiendo a los sistemas de beamforming predecir de manera anticipada la dirección de máxima ganancia. Esta integración se evidencia en arquitecturas como las Explainable and Robust CNNs, que además de predecir el haz óptimo, explican el proceso de decisión para su implementación en redes autónomas (Khan et al., 2025).

En términos de aplicaciones prácticas, un caso representativo se presenta en comunicaciones UAV-asistidas en el espectro de los THz, donde la orientación y movimiento de vehículos aéreos requieren actualizaciones constantes del haz para mantener enlaces robustos. Las redes neuronales CNN se han adaptado en estos contextos para soportar la variabilidad angular y limitar la sobrecarga de señalización (Negassa et al., 2025).

Por consiguiente, en redes vehiculares 6G, otro ejemplo práctico radica en la implementación de técnicas de Deep Reinforcement Learning combinadas con redes CNN, permitiendo decisiones rápidas de seguimiento de haz y asignación de recursos en tiempo real, optimizando la conectividad en autopistas inteligentes o redes ferroviarias de alta velocidad (Tiang et al., 2023).

Es indispensable además señalar, que estas tecnologías se articulan dentro de esquemas más amplios de comunicación inteligente, tales como la computación en el borde o el beam tracking autónomo, orientados a transformar la conectividad 6G en experiencias ubicuas, eficientes y conscientes del contexto del entorno (Ahn et al., 2022; Alkhateeb et al., 2024).

Nuevas posibilidades con drones y tecnologías emergentes en redes 6G

Ciertamente, el desarrollo de redes móviles de sexta generación (6G) ha despertado un notable interés en aplicaciones que combinan IoT (Internet of Things), inteligencia artificial (AI, Artificial Intelligence), y tecnologías de comunicaciones como mmWave (milimétricas) y de los THz (terahercios), especialmente en escenarios críticos como rescates tras terremotos o inundaciones. Por ejemplo, el uso de drones como estaciones base (BS, Base Stations) flotantes o móviles, permite establecer enlaces temporales con usuarios atrapados o zonas desconectadas, guiados por predicciones de canal asistidas por redes neuronales profundas (DNN, Deep Neural Networks) y conjuntos de datos como DeepSense (Charan & Alkhateeb, 2024).

Además, se ha demostrado que el método de predicción de haces mediante tablas de búsqueda (Lookup Table) ofrece respuestas rápidas en tiempo real a cambio de una mayor exigencia de almacenamiento. Este enfoque se ha probado con éxito en escenarios reales capturados por DeepSense, permitiendo seleccionar haces óptimos según coordenadas GPS con gran eficiencia (Xue et al., 2024).

Simultáneamente, el algoritmo de los vecinos más cercanos (KNN, K-Nearest Neighbors) aplicado a la selección de haces ha permitido comparar distancias entre ubicaciones anteriores y actuales, obteniendo mejoras en la tasa de aciertos a costa de un mayor consumo computacional. Su eficacia aumenta al combinarse con perfiles espaciales de canal recolectados en bandas sub-7 GHz (da Costa et al., 2023).

A la par, el tamaño del libro de códigos incide directamente en la precisión de predicción de haces y en la complejidad del sistema. Un libro extenso mejora la granularidad del haz, pero eleva el costo computacional y los requerimientos de memoria, afectando especialmente a drones con capacidad limitada de cómputo en operaciones de rescate (Tishchenko et al., 2025).

Igualmente, se han identificado obstáculos clave en la precisión de la ubicación en redes asistidas por aprendizaje automático ML (Machine Learning), entre ellos el multipath o trayectorias múltiples que distorsionan la señal en entornos urbanos. Esta inexactitud repercute en el rendimiento del beamforming, obligando a usar técnicas más robustas como la correlación entre canales mmWave y sub-7 GHz para mitigar los errores (Xue et al., 2024).

Efectivamente, se ha explotado el perfil de retardo de potencia en el rango sub-7 GHz como «huella dactilar» del canal, facilitando la predicción de haces mmWave sin necesidad de escaneo exhaustivo. Este método reduce la latencia, lo cual es determinante en operaciones donde segundos pueden significar vidas humanas (Chaccour, 2023).

En efecto, los modelos basados en redes neuronales convolucionales (CNN, Convolutional Neural Networks) permiten formular el problema de selección de haces como una clasificación múltiple, donde se predice cuál haz tendrá mayor rendimiento esperado en función del entorno. Este enfoque ha demostrado ser eficaz al combinarlo con datos recolectados en Wireless Insite (SNU, 2024).

También es importante mencionar que existe un mapeo entre la información de estado del canal (CSI, Channel State Information) en el rango espectral sub-7 GHz y los bloqueos o enlaces de ondas mmWave, donde la información CSI histórica sustituye a la CSI instantánea, permitiendo a los drones de rescate operar sin necesidad de medir el canal en tiempo real constantemente (da Costa et al., 2023).

Concretamente, al aplicar redes de memoria a corto y largo plazo (LSTM, Long Short-Term Memory) a la predicción de canales, se consigue una mayor precisión temporal. Esto permite anticipar la evolución del canal y conformar haces electromagnéticos de los enlaces inalámbricos 6G, más efectivos, incluso en entornos dinámicos, como edificios colapsados o terrenos montañosos afectados por desastres naturales (Xue et al., 2024).

Aplicaciones futuras y el impacto de las tecnologías de seguimiento de haces en las redes 6G

Las tecnologías de seguimiento de haces electromagnéticos asistidas por localización y aprendizaje automático tienen un potencial significativo para transformar diversos sectores. En el ámbito de los vehículos autónomos, por ejemplo, la capacidad de mantener conexiones estables y de baja latencia es esencial para la seguridad y eficiencia del transporte. Modelos entrenados con datos de DeepSense 6G pueden predecir con precisión la dirección óptima de los haces, incluso en entornos urbanos complejos, mejorando la comunicación entre vehículos e infraestructuras (Morais et al., 2022).

En situaciones de emergencia, como desastres naturales, el despliegue de drones equipados con estaciones base móviles puede restablecer rápidamente las comunicaciones. Al utilizar modelos de aprendizaje automático ML, que integran datos de sensores, de LiDAR y de cámaras, estos drones pueden dirigir haces de comunicación hacia áreas específicas, facilitando las labores de rescate y coordinación (Jiang et al., 2022).

Además, en entornos industriales, la implementación de estas tecnologías puede optimizar la conectividad en fábricas inteligentes, donde la movilidad de equipos y la necesidad de comunicaciones confiables son críticas. La capacidad de predecir y ajustar dinámicamente los haces garantiza una comunicación eficiente y continua, esencial para la automatización y el control en tiempo real (Alkhateeb et al., 2023).

Con seguridad, la integración de aprendizaje automático y datos de localización en el seguimiento de haces representa un avance significativo en el desarrollo de las redes 6G. Estas tecnologías no solo mejoran la eficiencia y confiabilidad de las comunicaciones, sino que también abren nuevas posibilidades para aplicaciones en diversos campos, desde el transporte hasta la gestión de emergencias y la industria. El continuo desarrollo y adopción de estas soluciones serán fundamentales para enfrentar los desafíos de conectividad del futuro (Demirhan & Alkhateeb, 2021).

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.