Revisar literatura recomendada
13/01/2025
Tecnologías avanzadas en UAV: Transformando industrias clave
En la actualidad, los Vehículos Aéreos No Tripulados (UAV) se han convertido en elementos fundamentales en sectores como la logística, la agricultura, la seguridad y las telecomunicaciones. Gracias a tecnologías avanzadas como la inteligencia artificial, los sistemas de comunicación inalámbrica y las redes de enrutamiento, los UAV están impulsando una transformación industrial que promete soluciones más eficientes, sostenibles y adaptables para un futuro interconectado y tecnológicamente avanzado.
El uso de Vehículos Aéreos No Tripulados, (UAV, Unmanned Aerial Vehicles), ha revolucionado múltiples sectores, desde la logística y la agricultura hasta las telecomunicaciones y la seguridad. Sin embargo, para maximizar el rendimiento de las redes asistidas por UAV es fundamental integrar tecnologías avanzadas que aborden desafíos específicos. Entre estas tecnologías destacan las de comunicación, redes y enrutamiento, así como las tecnologías de prevención de colisiones. Estas herramientas son esenciales para garantizar la funcionalidad, la eficiencia y la seguridad en las operaciones de los UAV, permitiendo que se conviertan en elementos clave dentro de sistemas inteligentes más amplios.
Importancia de las comunicaciones y redes en los UAV
En primer lugar, las tecnologías de comunicación aseguran la calidad del canal entre los dispositivos conectados, tales como los enlaces UAV a UAV y los enlaces UAV a infraestructura, lo que resulta fundamental para mantener una conectividad en tiempo real. Por otra parte, las tecnologías de red y enrutamiento están diseñadas para optimizar el flujo de datos, minimizando los retrasos que suelen ocurrir debido a la distribución entre múltiples puntos de interconexión. Además, las tecnologías de prevención de colisiones, que permiten a los UAV navegar sin incidentes, son fundamentales para reducir fallas derivadas de daños por impactos, incrementando la durabilidad y confiabilidad de estos sistemas.
Inteligencia artificial en UAV: Potenciando capacidades
Tenemos que admitir, que la inteligencia artificial, (IA, Artificial Intelligence), desempeña un papel central en la mejora de las capacidades de los UAV. La IA, cuyas funciones básicas incluyen el análisis y la predicción de datos, ha mostrado un gran potencial en áreas como la detección de objetivos, el reconocimiento de imágenes, el reconocimiento de voz, el procesamiento del lenguaje natural, el control inteligente y la conducción autónoma. Gracias a estos avances, la IA ha encontrado aplicaciones exitosas en diversos campos, incluidos los sectores industrial, médico y robótico. En el contexto de los UAV, la IA puede incrementar la calidad de las comunicaciones mediante un análisis más preciso de datos y mejores capacidades de predicción. Asimismo, mediante el procesamiento de gráficos, los UAV pueden percibir su entorno de manera más eficiente. Al respecto conviene decir, que a través del control inteligente, la IA facilita que los UAV operen de manera autónoma e inteligente, transformándolos en herramientas más eficaces y adaptables.
El impacto de estas tecnologías no solo reside en su capacidad para resolver problemas específicos, sino también en su potencial para transformar industrias completas. Al garantizar comunicaciones más estables, navegación más segura y operaciones autónomas más eficientes, estas herramientas representan una mejora hacia el desarrollo de soluciones innovadoras que beneficien tanto a las empresas como a los usuarios finales. En última instancia, estas tecnologías no solo incrementan el rendimiento de los UAV, sino que también impulsan el progreso hacia un futuro más interconectado, sostenible y tecnológicamente avanzado.
UAV y redes de comunicación para la conectividad global
Las tecnologías de comunicación de vehículos aéreos no tripulados (UAV, Unmanned Aerial Vehicles) representan un campo en constante evolución, impulsado por la creciente necesidad de redes de comunicación más flexibles, escalables y resistentes. Los UAV ofrecen ventajas significativas como la facilidad de despliegue, la capacidad de operar en zonas remotas o afectadas por desastres naturales y su versatilidad para complementar las redes terrestres. Estas capacidades los posicionan como componentes clave en el desarrollo de las redes 6G (Wang et al., 2018). Según sus características de tamaño, altitud de vuelo y distancia de operación, los UAV pueden clasificarse como pequeños, medianos o grandes, lo cual influye en su capacidad de batería y en las distancias de comunicación que pueden alcanzar. Por ejemplo, los UAV grandes son adecuados para misiones de largo alcance, mientras que los pequeños requieren una gestión cuidadosa de su energía, siendo ideales para tareas específicas de corto alcance. Además, tanto en aplicaciones comerciales como en iniciativas especializadas, como el UAV Aquila de Facebook, que busca proporcionar servicios de comunicación en áreas remotas, el diseño y uso de UAV debe optimizarse según el propósito particular de la misión.
Tipos de enlaces inalámbricos en UAV
En el ámbito de las redes de comunicación de los UAV, se emplean principalmente dos tipos de enlaces inalámbricos: los enlaces aire-tierra (A2G, Air-to-Ground) y los enlaces aire-aire (A2A, Air-to-Air). Los enlaces A2G son esenciales para la comunicación entre UAV y estaciones base terrestres o usuarios en tierra, mientras que los enlaces A2A facilitan la coordinación entre los propios UAV. El modelo de canal de comunicación de los UAV considera factores como el desvanecimiento a gran escala, causado por la pérdida de trayectoria, y el desvanecimiento a pequeña escala, originado por interferencias por trayectos múltiples. Adicionalmente, debido a la alta movilidad de los UAV, es necesario prestar atención a fenómenos como la propagación Doppler y el sombreado causado por las aeronaves (Zhou et al., 2020; Khuwaja et al., 2018). En este contexto, los UAV están equipados con una variedad de protocolos de comunicación, como Bluetooth, ZigBee, LoRaWAN, WiMAX, Wi-Fi, 4G, 5G y 6G, cada uno con características específicas en términos de velocidad de datos, latencia, consumo de energía y alcance de transmisión.
Protocolos y estándares inalámbricos en UAV
Al hablar de las tecnologías de comunicación inalámbrica de bajo consumo, es importante mencionar opciones como Bluetooth, ZigBee y LoRaWAN, cada una de las cuales sobresale en diferentes escenarios. En primer lugar, Bluetooth, conocido por su alta velocidad de transmisión de datos y baja latencia, se posiciona como una solución ideal para aplicaciones en tiempo real. En contraste, ZigBee, con su consumo energético extremadamente bajo, resulta especialmente adecuado para dispositivos que funcionan con baterías, prolongando significativamente su vida útil. Por su parte, LoRaWAN, gracias a su capacidad para cubrir mayores distancias de transmisión, demuestra ser una alternativa eficiente en áreas remotas o de difícil acceso.
Por otro lado, Wi-Fi, basado en el estándar IEEE 802.11, admite modos de operación como infraestructura y ad-hoc, lo que permite su utilización tanto en comunicaciones de aeronave a tierra (A2G, Air-to-Ground) como entre aeronaves (A2A, Air-to-Air). Aunque el alcance típico de esta tecnología está limitado a 100 metros, es posible extenderlo hasta 500 metros mediante el uso de antenas direccionales y plataformas de seguimiento automático, tal como lo señalan Guillen-Perez et al. (2016) y Chen et al. (2017).
En lo que respecta a las redes móviles, las redes 4G, ampliamente adoptadas en la actualidad, ofrecen altas velocidades de transmisión y baja latencia. Sin embargo, las redes 5G introducen mejoras significativas en términos de ancho de banda y latencia, aunque conllevan una mayor dependencia energética y un alcance de señal más limitado. Finalmente, el desarrollo en curso de las redes 6G promete no solo avances en la conectividad global, sino también la convergencia de redes heterogéneas, complementadas con capacidades de control inteligente que abren nuevas posibilidades para el futuro de las comunicaciones.
En la Tabla II se presenta información detallada sobre las tecnologías de comunicación mencionadas, incluyendo parámetros como velocidad de datos, latencia y consumo energético. Al seleccionar tecnologías para enlaces A2A y A2G en aplicaciones con UAV, es necesario considerar tanto los requisitos técnicos como las características propias de cada tecnología, optimizando la combinación según las limitaciones energéticas y operativas. Sin embargo, en aplicaciones reales, múltiples desafíos deben ser afrontados, como la interferencia entre señales, las restricciones energéticas y la seguridad ante posibles ataques a la red.
Beneficios e impacto de las tecnologías en UAV
Es relevante destacar las tecnologías de comunicación para Vehículos Aéreos no Tripulados, (UAV, Unmanned Aerial Vehicles), que constituyen un avance significativo en la construcción de redes más estables, inteligentes y adaptables. Este desarrollo no solo acelera el progreso hacia la implementación de las redes 6G, sino que también redefine cómo se diseñan y despliegan los servicios de comunicación. Tales innovaciones son esenciales para satisfacer las demandas de la industria, mejorar la conectividad global y garantizar el bienestar de los usuarios en una variedad de escenarios.
Además, la calidad de la comunicación en los UAV resulta básico para asegurar su funcionamiento eficiente y seguro. En este sentido, la Inteligencia Artificial, (IA, Artificial Intelligence), ha surgido como una herramienta revolucionaria para optimizar el desempeño de las redes de comunicación inalámbrica. Específicamente, la IA es capaz de abordar problemas complejos como la interferencia de señales, el consumo energético, la seguridad de las redes y la mejora integral de su rendimiento. La Figura 3, incluida en este análisis, ilustra cómo la IA se aplica en las tecnologías de comunicación inalámbrica. Por lo tanto, resulta imperativo profundizar en el estudio de estas aplicaciones de la IA, ya que su integración permite fomentar una comunicación más eficiente y robusta entre los UAV, consolidando su capacidad para operar de manera confiable en distintos entornos.
Bluetooth y ZigBee, tecnologías de comunicación inalámbrica de bajo consumo, bajo costo y corto alcance, basadas en los estándares IEEE 802.15.1 y 802.15.4, respectivamente, pueden proporcionar servicios de transmisión de datos de baja a media velocidad para enlaces Aire-Aire (A2A, Air-to-Air) y Aire-Tierra (A2G, Air-to-Ground) en rangos de 10 a 100 metros (Noor et al., 2020). Sin embargo, la compartición de bandas de frecuencia con señales de Wi-Fi y otras tecnologías genera interferencias inevitables. Para mitigar estas interferencias, Guo et al. (2021) propusieron un algoritmo de evaluación de calidad del canal basado en Aprendizaje Supervisado (SL, Supervised Learning) que predice la calidad del canal. Este algoritmo utiliza Unidades Recursivas con Compuerta (GRU, Gated Recurrent Units) para extraer información sobre interferencias en los canales y seleccionar los 20 canales más adecuados para la transmisión de datos, basándose en métricas históricas de intensidad de señal. Además, se introdujo una función de pérdida combinada que integra la pérdida de clasificación y la pérdida de ranking, mejorando significativamente el desempeño de la Red Neuronal (NN, Neural Network). Los resultados experimentales demostraron que la red propuesta es eficiente en el uso de recursos y supera a métodos de selección de canal preexistentes, como el esquema Mask 19.
Por otra parte, en la tecnología Bluetooth, la longitud del Intervalo de Conexión (CI, Connection Interval) y el número de paquetes transmitidos por intervalo influyen directamente en la eficiencia energética y la Calidad de Servicio (QoS, Quality of Service). Un CI más largo extiende la vida útil de la red, pero aumenta el retraso de los paquetes, mientras que transmitir más paquetes por CI mejora la QoS pero incrementa el consumo de energía. Para abordar este dilema, Fu et al. (2021) diseñaron un algoritmo de programación basado en Aprendizaje por Refuerzo (RL, Reinforcement Learning) específicamente en Q-Learning, que ajusta dinámicamente la longitud del CI y la cantidad de paquetes transmitidos. La función de recompensa fue diseñada para equilibrar las necesidades de eficiencia energética y calidad de servicio. Los resultados numéricos evidencian que este método supera a estrategias de acción aleatoria o fija, maximizando la vida útil de la red y garantizando la QoS.
En el caso de ZigBee, garantizar la protección frente a interferencias también es esencial para su operatividad. Para abordar este desafío, Pirayesh et al. (2021) propusieron una Red Neuronal (NN) que actúa como un filtro espacial lineal para suprimir interferencias en las señales ZigBee. Esta red es entrenada eficientemente aprovechando la relación inherente entre los pesos, lo que permite una comunicación efectiva incluso cuando la interferencia es 20 dB más intensa que la señal de ZigBee.
Aplicaciones de la inteligencia artificial en UAV
Es fácil entender, que las aplicaciones de Inteligencia Artificial en las tecnologías de comunicación inalámbrica para UAV representan un avance significativo en términos de eficiencia, seguridad y rendimiento de red. Estas innovaciones no solo mejoran la comunicación entre dispositivos, sino que también aseguran que las redes sean más sostenibles y resistentes frente a amenazas externas, como interferencias y consumo energético. La incorporación continua de estas tecnologías promete transformar tanto la industria de los UAV como la de los servicios de comunicación, beneficiando a usuarios y empresas mediante soluciones más confiables y avanzadas.
La adopción de tecnologías avanzadas para mejorar la comunicación inalámbrica y optimizar el uso de recursos en redes es un campo de investigación fundamental en la actualidad. Las redes de área amplia de bajo consumo (LPWAN, Low Power Wide Area Network) y los sistemas de comunicación Wi-Fi han evolucionado significativamente, integrando algoritmos y modelos de inteligencia artificial para superar las limitaciones convencionales. Estas soluciones son fundamentales para abordar problemas como el consumo de energía, los conflictos de paquetes, la interferencia y la eficiencia en la asignación de recursos, especialmente en un contexto donde la cantidad de dispositivos conectados sigue creciendo exponencialmente.
En el caso de LoRaWAN, una tecnología de comunicación de bajo consumo, baja velocidad de datos y largo alcance, su capacidad para transmitir señales a varios kilómetros la hace ideal tanto para comunicaciones Aire a Aire (A2A, Air-to-Air) como Aire a Tierra (A2G, Air-to-Ground) (Adelantado et al., 2017). Como una red de área amplia de bajo consumo (LPWAN, Low Power Wide Area Network), su eficiencia energética y alta conectividad son esenciales. Sin embargo, la elección de los parámetros de transmisión es crítica para optimizar el consumo de energía de la red. En este contexto, se ha propuesto un algoritmo de selección de parámetros de transmisión basado en EXP3 que ajusta automáticamente la potencia de transmisión y el factor de propagación en función de las condiciones del enlace, lo que permite reducir significativamente el consumo energético (Khalifeh et al., 2021). Por otra parte, los conflictos de paquetes generados por múltiples dispositivos que acceden a la red pueden impactar negativamente el rendimiento de la comunicación. Para mitigar este problema, se han desarrollado métodos como el enfoque de selección de canal descentralizado basado en Aprendizaje por Refuerzo (RL, Reinforcement Learning), que optimiza la asignación de canales con baja complejidad computacional (Li et al., 2021). Asimismo, el algoritmo basado en Aprendizaje Profundo con Redes Neuronales Doble Profundas Q (DQN, Double Deep Q-Networks) ha demostrado ser efectivo para seleccionar parámetros de transmisión de capa física, minimizando conflictos y mejorando el rendimiento global (Ilahi et al., 2020).
En cuanto a las redes Wi-Fi, la configuración óptima de los parámetros del enlace depende de factores como la calidad del canal, el ruido y la interferencia externa. Para abordar estas dificultades técnicas, se han propuesto modelos basados en Redes Neuronales Profundas (DNN, Deep Neural Networks) y regresión de procesos gaussianos para predecir y optimizar el rendimiento de la capa de enlace (Karmakar et al., 2020). Estos modelos permiten ajustar parámetros críticos, como la ventana de contención (CW, Contention Window), con base en simulaciones y predicciones precisas, logrando mejoras significativas en el rendimiento de sistemas Wi-Fi 6 (Chen et al., 2021). Además, para mejorar la transmisión MU-MIMO-OFDMA (Multi-User, Multiple-Input, Multiple-Output Orthogonal Frequency-Division Multiple Access) en redes 802.11ax, se han desarrollado técnicas como la detección de canal y asignación de recursos basadas en Aprendizaje Profundo (DL, Deep Learning). Estas técnicas comprimen y reconstruyen información de estado de canal (CSI, Channel State Information) mediante Redes Neuronales Profundas, reduciendo la sobrecarga del protocolo y optimizando el rendimiento del sistema (Sangdeh & Zeng, 2021). De igual manera, se han propuesto marcos basados en Redes Neuronales Convolucionales (CNN, Convolutional Neural Networks) para gestionar el espectro de manera distribuida, evitando interferencias de tecnologías coexistentes como LTE y mejorando el rendimiento general de Wi-Fi (Soto et al., 2020).
De esta manera, el uso de técnicas de Aprendizaje Profundo (DL, Deep Learning) también se extiende a otros ámbitos, como la mejora en sistemas de detección de intrusiones (IDS, Intrusion Detection Systems) (Kim & Aminanto, 2017). Estas tecnologías, al aprovechar la capacidad de manejar grandes volúmenes de datos y realizar predicciones en tiempo real, permiten garantizar la seguridad y eficiencia de las redes inalámbricas.
Innovaciones sostenibles en UAV y redes inalámbricas
Dado que, la integración de algoritmos avanzados y modelos de inteligencia artificial en tecnologías como LoRaWAN y Wi-Fi no solo mejora la eficiencia operativa y reduce el consumo energético, sino que también permite resolver problemas complejos relacionados con la conectividad y la asignación de recursos. En consecuencia, el avance en estos sistemas se ha hecho esencial para el desarrollo futuro de redes más robustas y sostenibles, beneficiando a la industria y a los usuarios de servicios en diversas áreas. Estas soluciones innovadoras impulsan el progreso tecnológico y garantizan un entorno más eficiente y conectado para el futuro.
En la actualidad, las tecnologías de comunicación inalámbrica juegan un papel esencial en nuestra vida cotidiana y en el desarrollo de diversos sectores industriales. Desde la detección de intrusiones en redes hasta la optimización de la conectividad en redes de quinta generación (5G), la investigación en este campo ha permitido avances significativos. Tecnologías como LTE, WiMAX y 5G no solo han mejorado la velocidad y la capacidad de las redes, sino que también han permitido la integración de algoritmos avanzados de inteligencia artificial (IA) para resolver problemas complejos y mejorar la experiencia del usuario.
Por ejemplo, en Aminanto y Kim (2017) se propuso un método completamente no supervisado basado en K-means para la detección de intrusiones, utilizando un autocodificador apilado que reduce la dimensionalidad de las características originales y mejora la agrupación del algoritmo. Este enfoque permite clasificar datos benignos y maliciosos con una tasa de detección del 92%, especialmente en redes Wi-Fi simuladas.
Asimismo, la tecnología LTE, al proporcionar comunicaciones aire-tierra (A2G, Air-to-Ground) confiables y seguras, evolucionó hacia LTE avanzado (LTE-A), que mejora aún más el rendimiento del enlace ascendente y descendente (Gharib, Nandadapu y Afghah, 2021; Hayat et al., 2019). Sin embargo, la superposición de bandas de frecuencia entre LTE, Wi-Fi y NB-IoT genera interferencias, lo que ha llevado a desarrollar soluciones como el algoritmo de minimización de entropía cruzada dispersa (SCEM, Sparse Cross-Entropy Minimization), que muestra un desempeño superior frente a métodos bayesianos (Liu et al., 2019). También, en Ali et al. (2016) se implementa un enfoque de aprendizaje supervisado basado en redes neuronales (NN, Neural Networks) para predecir la transferencia de celdas óptimas y mejorar la calidad de experiencia (QoE, Quality of Experience).
Por otro lado, WiMAX, una tecnología de acceso inalámbrico de banda ancha basada en el estándar IEEE 802.16, ofrece una cobertura más amplia que Wi-Fi y es capaz de manejar transmisiones de voz y video de alta calidad (Etemad, 2008; Hayat, Yanmaz y Muzaffar, 2016). Las investigaciones en IA aplicadas a WiMAX se centran en la predicción de la calidad del canal y en la asignación eficiente de ancho de banda. En Herath, Seetharam y Ramesh (2019) se presenta un modelo basado en aprendizaje profundo secuencia a secuencia (DL, Deep Learning) que utiliza arquitecturas codificador-decodificador para predecir la calidad futura del canal, superando a modelos convencionales de autorregresión y regresión lineal. Además, se ha estudiado el uso de algoritmos de aprendizaje por refuerzo (RL, Reinforcement Learning) para asignar dinámicamente el ancho de banda y garantizar la calidad de servicio (QoS, Quality of Service) (Jafari, Taghipour y Meybodi, 2011).
Integración de UAV en redes 5G
La tecnología 5G ha marcado un hito al ofrecer conectividad ubicua y satisfacer las crecientes demandas de velocidad, ancho de banda y baja latencia (Chettri y Bera, 2020). La integración de vehículos aéreos no tripulados (UAV, Unmanned Aerial Vehicles) en las redes 5G permite ampliar la cobertura y fortalecer la conectividad gracias a su flexibilidad y enlaces robustos con línea de vista (Li, Fei y Zhang, 2019). Sin embargo, la complejidad de la arquitectura 5G requiere soluciones avanzadas, y la IA se ha convertido en una herramienta clave para optimizar su rendimiento (Zhang et al., 2020). Tecnologías como el acceso múltiple no ortogonal (NOMA, Non-Orthogonal Multiple Access), sistemas de entrada múltiple-salida múltiple masiva (MIMO, Massive Input-Massive Output) y ondas milimétricas (mmWave, Millimeter Waves) se han beneficiado significativamente de técnicas basadas en aprendizaje profundo (Huang et al., 2020; Klautau et al., 2018). Por ejemplo, en Ullah et al. (2020) se utilizaron redes neuronales artificiales (ANN, Artificial Neural Networks) para la estimación de información de estado del canal (CSI, Channel State Information), lo que mejora la precisión de las predicciones y optimiza el uso de energía. Del mismo modo, Luo et al. (2020) proponen una combinación de redes neuronales convolucionales (CNN, Convolutional Neural Networks) y redes de memoria a largo plazo (LSTM, Long Short-Term Memory) para predecir con alta precisión el estado del canal utilizando datos históricos.
Además, hay que destacar, que investigaciones recientes han explorado la asignación conjunta de recursos de potencia y ancho de banda utilizando redes neuronales en cascada, como se menciona en Dong et al. (2021). Este enfoque permite minimizar el consumo total de energía en las estaciones base para garantizar la calidad de servicio en entornos exigentes, superando a arquitecturas de redes totalmente conectadas.
Conclusiones: Hacia un futuro interconectado y eficiente
En lo que respecta a la integración de algoritmos avanzados de inteligencia artificial en tecnologías como LTE, WiMAX y 5G, es evidente que está revolucionando las comunicaciones inalámbricas. Estas innovaciones no solo optimizan el rendimiento de las redes, sino que también facilitan soluciones más sostenibles y eficientes para satisfacer las crecientes demandas del mundo moderno. El desarrollo continuo en este campo será fundamental para impulsar la evolución tecnológica, beneficiar a la industria y mejorar la calidad de vida de los usuarios finales.
Por otro lado, el rápido avance de las redes de telecomunicaciones, junto con la creciente demanda de servicios inalámbricos de alta velocidad y baja latencia, ha impulsado el desarrollo de tecnologías orientadas a mejorar el desempeño de las redes ultra densas y a garantizar la calidad de servicio para diferentes tipos de usuarios. Dentro de este contexto, las comunicaciones ultra confiables y de baja latencia (URLLC, Ultra-Reliable and Low-Latency Communications) y las mejoras en la banda ancha móvil mejorada (eMBB, Enhanced Mobile Broadband) son elementos clave para satisfacer los requisitos de tráfico heterogéneo en redes 5G y más allá. Las soluciones basadas en técnicas de aprendizaje profundo y redes neuronales han demostrado ser herramientas efectivas para abordar problemas como la latencia, la congestión y la ciberseguridad, contribuyendo al rendimiento global de las redes.
Hay que resalta que en Elsayed y Erol-Kantarci (2019), se presenta un algoritmo diseñado específicamente para mejorar tanto la latencia como la confiabilidad de los usuarios de URLLC, al tiempo que se optimiza el rendimiento para los usuarios de eMBB. Este enfoque considera las necesidades de tráfico heterogéneo con diferentes requisitos de calidad de servicio, logrando una mejora significativa en el rendimiento para los usuarios de eMBB y una reducción moderada en la latencia para los usuarios de URLLC. Por otro lado, para abordar los problemas de congestión en redes ultradensas (UDN, Ultra-Dense Networks), Zhou, Fadlullah, Mao y Kato (2018) implementaron técnicas de aprendizaje profundo de memoria a largo y corto plazo (LSTM, Long Short-Term Memory) para predecir de manera local la carga de tráfico en las estaciones base de UDN. Con base en las predicciones, se ejecutaron políticas inteligentes que mitigaron la congestión, logrando un rendimiento superior en términos de reducción de la tasa de pérdida de paquetes y aumento en la capacidad de la red en comparación con los enfoques convencionales.
Adicionalmente, frente al incremento en la carga de tráfico, Alawe, Ksentini, Hadjadj-Aoul y Bertin (2018) proponen métodos basados en redes neuronales profundas (DNN, Deep Neural Networks) y LSTM para predecir solicitudes de usuarios adicionales. Estas soluciones, entrenadas con conjuntos de datos de tráfico de red en dispositivos móviles, optimizan la implementación de funciones de red virtual (VNF, Virtual Network Functions), reduciendo significativamente los tiempos de respuesta. Los resultados de las simulaciones confirman que tanto las soluciones basadas en DNN como en LSTM superan los métodos convencionales basados en umbrales para responder a variaciones en el tráfico con menor latencia.
Por otro lado, el aumento exponencial en el número de dispositivos pertenecientes al Internet de las Cosas (IoT, Internet of Things) ha generado nuevos retos en el ámbito de la ciberseguridad. Lam y Abbas (2020) presentan un método basado en redes neuronales convolucionales (CNN, Convolutional Neural Networks) para detectar anomalías en el tráfico de red y ofrecer una defensa preventiva de extremo a extremo en redes 5G. En este enfoque, el tráfico de red se transforma en imágenes que son analizadas por redes CNN para identificar patrones anómalos. Los resultados indican una precisión del 100% en la detección de tráfico benigno y una tasa de detección del 96.4% para tráfico anómalo, lo que representa un avance significativo en la protección contra ataques cibernéticos.
De hecho, estas tecnologías no solo optimizan el rendimiento y la capacidad de las redes modernas, sino que también refuerzan su seguridad y estabilidad frente a las crecientes demandas y limitaciones técnicas de los ecosistemas digitales. Su implementación garantiza una experiencia más eficiente, confiable y adaptada a las necesidades del presente, al tiempo que sienta las bases para innovaciones futuras en la industria de las telecomunicaciones y en otros sectores, promoviendo un impacto positivo en la sociedad y en el desarrollo de servicios avanzados.
No hay duda, que la incorporación de tecnologías avanzadas a los UAV marca un verdadero cambio de paradigma en conectividad, sostenibilidad y eficiencia operativa. Este desarrollo no solo está transformando industrias clave, sino que también está configurando un futuro más interconectado y tecnológico. Por ello, profundizar en estas áreas emergentes no es solo una cuestión de avance técnico, sino un compromiso esencial para forjar sociedades más dinámicas, invulnerables e innovadoras.
El Impacto de la Inteligencia Artificial y los UAVs en el IoT: Análisis de un Estudio Innovador
Para finalizar hay que hacer referencia, que este artículo se ha enriquecido con los valiosos aportes del estudio académico titulado «AI for UAV-Assisted IoT Applications: A Comprehensive Review», publicado en el prestigioso IEEE Internet of Things Journal. Este trabajo, realizado por un equipo de reconocidos investigadores —Nan Cheng, Shen Wu, Xiucheng Wang, Zhisheng Yin, Changle Li, Wen Chen y Fangjiong Chen—, ofrece un análisis detallado y riguroso sobre el papel de la inteligencia artificial en las aplicaciones de Internet de las Cosas (IoT) apoyadas por vehículos aéreos no tripulados (UAV).
Es importante señalar que este estudio está disponible bajo una licencia Creative Commons Attribution 4.0, que permite su uso, distribución y adaptación siempre que se reconozca adecuadamente la autoría original. Puede encontrar más información sobre esta licencia en el siguiente enlace: https://creativecommons.org/licenses/by/4.0/.
La profundidad de su análisis y el rigor científico con el que fue elaborado hacen de esta investigación un recurso imprescindible para comprender los avances tecnológicos en la convergencia entre la inteligencia artificial, los UAV y las aplicaciones IoT. Este trabajo no solo resalta las oportunidades y desafíos que presenta esta intersección tecnológica, sino que también inspira nuevas líneas de investigación en el campo.
Referencias Bibliográficas Recomendadas
Adelantado, F., Vilajosana, X., Tuset-Peiro, P., Martinez, B., Melia-Segui, J., & Watteyne, T. (2017). Understanding the limits of LoRaWAN. IEEE Communications Magazine, 55(9), 34-40.
Alawe, I., Ksentini, A., Hadjadj-Aoul, Y., & Bertin, P. (2018). Improving traffic forecasting for 5G core network scalability: A machine learning approach. IEEE Network, 32(6), 42–49.
Ali, Z., Baldo, N., Mangues-Bafalluy, J., & Giupponi, L. (2016). Machine learning based handover management for improved QoE in LTE. En Proc. NOMS IEEE/IFIP Netw. Oper. Manage. Symp., pp. 794–798.
Aminanto, M. E., & Kim, K. (2017). Improving detection of Wi-Fi impersonation by fully unsupervised deep learning. En Proc. Int. Workshop Inf. Security Appl., pp. 212–223.
Chen, C., Li, J., Balasubramaniam, V., Wu, Y., Zhang, Y., & Wan, S. (2021). Contention resolution in Wi-Fi 6-enabled Internet of Things based on deep learning. IEEE Internet of Things Journal, 8(7), 5309-5320.
Chen, Z., Yin, D., Chen, D., Pan, M., & Lai, J. (2017). WiFi-based UAV communication and monitoring system in regional inspection. En Proceedings of the International Conference on Computer Technology and Electronics Communications (pp. 1395–1401).
Chettri, L., & Bera, R. (2020). A comprehensive survey on Internet of Things (IoT) toward 5G wireless systems. IEEE Internet Things J., 7(1), 16–32.
Dong, R., She, C., Hardjawana, W., Li, Y., & Vucetic, B. (2021). Deep learning for radio resource allocation with diverse quality-of-service requirements in 5G. IEEE Trans. Wireless Commun., 20(4), 2309–2324.
Elsayed, M., & Erol-Kantarci, M. (2019). AI-enabled radio resource allocation in 5G for URLLC and eMBB users. En Proc. IEEE 5G World Forum, pp. 590–595.
Etemad, K. (2008). Overview of mobile WiMAX technology and evolution. IEEE Commun. Mag., 46(10), 31–40.
Fu, X., Lopez-Estrada, L., & Kim, J. G. (2021). A Q-learning-based approach for enhancing energy efficiency of Bluetooth low energy. IEEE Access, 9, 21286–21295.
Gharib, M., Nandadapu, S., & Afghah, F. (2021). An exhaustive study of using commercial LTE network for UAV communication in rural areas. En Proc. IEEE Int. Conf. Commun. Workshops, pp. 1–6.
Guillen-Perez, A., Sanchez-Iborra, R., Cano, M.-D., Sanchez-Aarnoutse, J. C., & Garcia-Haro, J. (2016). WiFi networks on drones. En Proceedings of the ITU Kaleidoscope ICTs Sustain. World (pp. 1–8).
Guo, Z., Liu, P., Zhang, C., Luo, J., Long, Z., & Yang, X. (2021). AI-aided channel quality assessment for Bluetooth adaptive frequency hopping. En Proceedings of the IEEE Annual International Symposium on Personal, Indoor Mobile Radio Communications (pp. 934–939).
Hayat, S., Yanmaz, E., & Muzaffar, R. (2016). Survey on unmanned aerial vehicle networks for civil applications: A communications viewpoint. IEEE Commun. Surveys Tuts., 18(4), 2624–2661.
Herath, J. D., Seetharam, A., & Ramesh, A. (2019). A deep learning model for wireless channel quality prediction. En Proc. IEEE Int. Conf. Commun., pp. 1–6.
Huang, H., et al. (2020). Deep learning for physical-layer 5G wireless techniques: Opportunities, challenges and solutions. IEEE Wireless Commun., 27(1), 214–222.
Ilahi, I., Usama, M., Farooq, M. O., Janjua, M. U., & Qadir, J. (2020). LoRaDRL: Deep reinforcement learning-based adaptive PHY layer transmission parameters selection for LoRaWAN. In IEEE Conference on Local Computer Networks (pp. 457-460).
Jafari, S. M., Taghipour, M., & Meybodi, M. (2011). Bandwidth allocation in WiMAX networks using reinforcement learning. World Appl. Sci. J., 15(4), 525–531.
Karmakar, R., Chattopadhyay, S., & Chakraborty, S. (2020). A deep probabilistic control machinery for auto-configuration of WiFi link parameters. IEEE Transactions on Wireless Communications, 19(12), 8330-8340.
Khalifeh, A. F., Aldahdouh, K., & Alouneh, S. (2021). LoRaWAN energy optimization with security consideration. International Arab Journal of Information Technology, 18(3A), 476-483.
Khuwaja, A. A., Chen, Y., Zhao, N., Alouini, M.-S., & Dobbins, P. (2018). A survey of channel modeling for UAV communications. IEEE Communications Surveys & Tutorials, 20(4), 2804–2821.
Kim, K., & Aminanto, M. E. (2017). Deep learning in intrusion detection perspective: Overview and further challenges. In International Workshop on Big Data and Information Security (pp. 5-10).
Klautau, A., Batista, P., González-Prelcic, N., Wang, Y., & Heath, R. W. (2018). 5G MIMO data for machine learning: Application to beam-selection using deep learning. En Proc. Inf. Theory Appl. Workshop, pp. 1–9.
Lam, J., & Abbas, R. (2020). Machine learning-based anomaly detection for 5G networks. arXiv:2003.03474.
Li, A., Fujisawa, M., Urabe, I., Kitagawa, R., Kim, S.-J., & Hasegawa, M. (2021). A lightweight decentralized reinforcement learning-based channel selection approach for high-density LoRaWAN. In IEEE International Symposium on Dynamic Spectrum Access Networks (pp. 9-14).
Li, B., Fei, Z., & Zhang, Y. (2019). UAV communications for 5G and beyond: Recent advances and future trends. IEEE Internet Things J., 6(2), 2241–2263.
Liu, S., Xiao, L., Han, Z., & Tang, Y. (2019). Eliminating NB-IoT interference to LTE system: A sparse machine learning-based approach. IEEE Internet Things J., 6(4), 6919–6932.
Luo, C., Ji, J., Wang, Q., Chen, X., & Li, P. (2020). Channel state information prediction for 5G wireless communications: A deep learning approach. IEEE Trans. Netw. Sci. Eng., 7(1), 227–236.
Noor, F., Khan, M. A., Al-Zahrani, A., Ullah, I., & Al-Dhlan, K. A. (2020). A review on communications perspective of flying ad-hoc networks: Key enabling wireless technologies, applications, challenges and open research topics. Drones, 4(4), 65.
Pirayesh, H., Sangdeh, P. K., & Zeng, H. (2021). Securing ZigBee communications against constant jamming attack using neural network. IEEE Internet of Things Journal, 8(6), 4957–4968.
Sangdeh, P. K., & Zeng, H. (2021). DeepMux: Deep-learning-based channel sounding and resource allocation for IEEE 802.11ax. IEEE Journal on Selected Areas in Communications, 39(8), 2333-2346.
Soto, P., et al. (2020). Augmented Wi-Fi: An AI-based Wi-Fi management framework for Wi-Fi/LTE coexistence. In International Conference on Network and Service Management (pp. 1-9).
Ullah, R., et al. (2020). A machine learning approach for 5G SINR prediction. Electronics, 9(10), 1660.
Wang, L., Yang, H., Long, J., Wu, K., & Chen, J. (2018). Enabling ultra-dense UAV-aided network with overlapped spectrum sharing: Potential and approaches. IEEE Network, 32(5), 85–91.
Zhang, C., Ueng, Y.-L., Studer, C., & Burg, A. (2020). Artificial intelligence for 5G and beyond 5G: Implementations, algorithms, and optimizations. IEEE J. Emerg. Sel. Topics Circuits Syst., 10(2), 149–163.
Zhou, L., Ma, H., Yang, Z., Zhou, S., & Zhang, W. (2020). Unmanned aerial vehicle communications: Path-loss modeling and evaluation. IEEE Vehicular Technology Magazine, 15(2), 121–128.
Zhou, Y., Fadlullah, Z. M., Mao, B., & Kato, N. (2018). A deep-learning-based radio resource assignment technique for 5G ultra-dense networks. IEEE Network, 32(6), 28–34.