El Basque Center for Applied Mathematics (BCAM) colabora con la Universidad de Tsinghua gracias a un acuerdo firmado en 2019, destinado a promover proyectos de Inteligencia Artificial (IA). Este convenio ha facilitado el intercambio de estudiantes e investigadores, además de impulsar diversas actividades conjuntas.
En el marco de esta colaboración y con el proyecto AUTOTRUST, se ha investigado el uso de modelos de aprendizaje automático para mejorar la precisión en la estimación de localizaciones utilizando señales de redes inalámbricas. En concreto, se ha trabajado en el paradigma de detección y comunicación integradas (ISAC, por sus siglas en inglés – Integrated Sensing and Communication), fundamental para el desarrollo de las futuras redes inalámbricas. Este paradigma optimiza el rendimiento mediante el uso eficiente de recursos espectrales y de hardware limitados. Además, se ha desarrollado un método basado en una red de aprendizaje profundo para la inferencia simultánea de distancia y la caracterización del entorno. Esta colaboración ha dado lugar, hasta el momento, a dos publicaciones.
En «Fundamental Limits for ISAC – Localization Perspective» de Shet et al. (2023)[1], publicado como parte de la obra colectiva «Integrated Sensing and Communications«, se presentan los fundamentos teóricos del ISAC desde la perspectiva de la localización y detección en red, determinando los límites fundamentales de precisión en el posicionamiento. Se ofrecen formulaciones matemáticas para dos modos básicos de localización en sistemas ISAC: con dispositivos y sin dispositivos. Además, se cuantifica la influencia de factores clave en el rendimiento de la localización, como las geometrías de los conjuntos de antenas, los efectos multitrayectoria, la sincronización de la red y el desplazamiento Doppler. Los resultados de este capítulo proporcionan ideas clave para comprender los fundamentos del ISAC desde la perspectiva de la localización y detección de redes, orientando el diseño y análisis de sistemas prácticos.
En un enfoque más aplicado, la colaboración con la Universidad de Tsinghua ha llevado al desarrollo de un método de aprendizaje variacional para la inferencia concurrente de distancias e identificación del entorno[2]. Este método aborda dos desafíos principales en la localización de dispositivos mediante señales inalámbricas: mejorar la precisión en la estimación de distancias superando los obstáculos y la identificación de estos para obtener una información más precisa del entorno, así como del error que pueden causar en la estimación de la localización. Estos obstáculos, denominados señales sin línea de visión (N-LOS, por sus siglas en inglés), implican que el trayecto entre el transmisor y el receptor de la señal está obstruido, lo cual reduce la precisión de las localizaciones.
Para abordar estos problemas, se ha propuesto un modelo que considera tanto la distancia como las características ambientales de las señales inalámbricas y sus interrelaciones. El modelo incluye un algoritmo de aprendizaje profundo (Deep Learning – DL) basado en inferencia variacional, denominado Inter-Instancia VAE (IIns-VAE). Este algoritmo, integrado con técnicas avanzadas, puede realizar inferencias sobre señales brutas con una generalización eficaz para distintos contextos.
Estos avances pretenden habilitar el desarrollo de aplicaciones que tengan aplicaciones industriales relacionadas con la conducción automática y otras relacionadas con las redes de quinta generación y más allá (B5G).
[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.