Basque Center for Applied Mathematics (BCAM) erakundeak Tsinghuako Unibertsitatearekin lankidetzan dihardu 2019an sinatutako hitzarmen bati esker, adimen artifizialeko proiektuak sustatzeko helburuarekin. Hitzarmen horri esker, ikasleen eta ikertzaileen arteko trukea erraztu da, eta, gainera, baterako hainbat jarduera bultzatu dira.
Lankidetza horren esparruan eta AUTOTRUST proiektuarekin, ikaskuntza automatikoko ereduen erabilera ikertu da, hari gabeko sareen seinaleak erabiliz lokalizazioen estimazioan doitasuna hobetzeko. Zehazki, detekzio eta komunikazio integratuen paradigma landu da (ISAC, ingelesezko siglak: Integrated Sensing and Communication), funtsezkoa baita etorkizuneko haririk gabeko sareak garatzeko. Paradigma horrek errendimendua optimizatzen du baliabide espektralak eta hardware mugatuak eraginkortasunez erabiliz. Gainera, ikaskuntza-sare sakon batean oinarritutako metodo bat garatu da, distantzia aldi berean inferitzeko eta ingurunea ezaugarritzeko. Lankidetza horren ondorioz, bi argitalpen egin dira orain arte.
Shet al-en «Fundamental Limits for ISAC – Localization Perspective» delakoan. (2023) [1], «Integrated Sensing and Communications» lan kolektiboaren zati gisa argitaratua, ISACaren oinarri teorikoak aurkezten dira sarean kokatzearen eta hautematearen ikuspegitik, posizionamenduaren funtsezko doitasun-mugak zehaztuz. ISAC sistemetan oinarrizko bi lokalizazio modurako formulazio matematikoak eskaintzen dira: gailuekin eta gailurik gabe. Gainera, kokapenaren errendimenduan funtsezko faktoreek duten eragina kuantifikatzen da, hala nola antena multzoen geometriak, eragin multitraiektorioak, sarearen sinkronizazioa eta Doppler desplazamendua. Kapitulu honetako emaitzek funtsezko ideiak ematen dituzte ISACren oinarriak ulertzeko, sareak aurkitzeko eta detektatzeko ikuspegitik, eta sistema praktikoen diseinua eta analisia orientatzen dute.
Ikuspegi aplikatuago batean, Tsinghuako Unibertsitatearekiko lankidetzaren ondorioz, askotariko ikaskuntza-metodo bat garatu da distantzien inferentzia konkurrenterako eta ingurunearen identifikaziorako [2]. Metodo honek bi erronka nagusi jorratzen ditu haririk gabeko seinaleen bidezko gailuen lokalizazioan: distantziak zenbatesteko doitasuna hobetzea, oztopoak gaindituz eta oztopoak identifikatuz, inguruneari buruzko informazio zehatzagoa lortzeko, bai eta kokapena zenbatestean sor dezaketen erroreari buruzkoa ere. Oztopo horiei ikusmen-lerrorik gabeko seinaleak esaten zaie (N-LOS, ingelesezko sigletan), eta horrek esan nahi du seinalearen transmisorearen eta hargailuaren arteko ibilbidea buxatuta dagoela, eta horrek lokalizazioen zehaztasuna murrizten du.
Aipatutako arazoei aurre egiteko, haririk gabeko seinaleen eta haien arteko erlazioen distantzia eta ingurumen-ezaugarriak kontuan hartzen dituen eredu bat proposatu da. Ereduak bariazio-inferentzian oinarrituako ikaskuntza sakoneko algoritmo bat (Deep Learning) erabiltzen du, Inter-Instantzia VAE (IIns-VAE) izenekoa. Teknika aurreratuekin integratutako algoritmo honek, seinale gordinen gaineko inferentziak egin ditzake, testuinguru desberdinetarako orokortze eraginkorrarekin.
Aurrerapen horien bidez, gidatze automatikoarekin lotutako aplikazio industrialak eta bosgarren belaunaldiko eta hortik gorako sareekin (B5G) lotutako beste aplikazio batzuk dituzten aplikazioen garapena gaitu nahi da.
[1] Shen, Y., Shen, X., Mazuelas, S. (2023). Fundamental Limits for ISAC—Localization Perspective. In: Liu, F., Masouros, C., Eldar, Y.C. (eds) Integrated Sensing and Communications. Springer, Singapore. https://doi.org/10.1007/978-981-99-2501-8_4
[2] Y. Li, S. Mazuelas and Y. Shen, “A Variational Learning Approach for Concurrent Distance Estimation and Environmental Identification,” in IEEE Transactions on Wireless Communications, vol. 22, no. 9, pp. 6252-6266, Sept. 2023, doi: 10.1109/TWC.2023.3241178.
