Ac as de las XV Jo nadas
de Ingenie ía Telemá ica
(JITEL 2021),
A Co uña (España),
27-29 de oc ub e de 2021.
This wo k is licensed unde a C ea i e Commons 4.0 In e na ional License (CC BY-NC-ND 4.0)
Gene ación de escena ios de p opagación
median e modelos gene a i os y ap endizaje
po e ue zo
Na alia Má i -Mo eno, Alejand o Ramí ez-A oyo, Soh ab Va a, Luz Ga cía, y Juan F. Valenzuela-
Valdés
Depa amen o de Teo ia de la Señal, Telemá ica y Comunicaciones
Uni e sidad de G anada
na aliama [email p o ec ed], [email p o ec ed], soh ab a a@co eo.ug .es, luzgm@ug .es, juan alenzuela@ug .es.
Abs ac : Las comunicaciones 6G espe an gene a nue os
escena ios en un mundo comple amen e in e conec ado. Si
las comunicaciones 5G se cen an en p opo ciona
in aes uc u a celula e es e, las edes 6G an un paso
más allá p opo cionando cobe u a global in eg ada pa a
comunicaciones po sa éli e y d ones, comunicaciones
e es es, ma í imas y subma inas. Po p ime a ez, es as
edes se conciben de mane a que la In eligencia A i icial sea
una de las ca ac e ís icas cla e de las nue as
a qui ec u as. Pa a desa olla edes e icien es e in eligen es,
es necesa io ca ac e iza , clasi ica y gene a escena ios de
comunicaciones u u as pa a su es udio. A pa i de las
medidas adqui idas en canales de p opagación con olados,
se p opone gene a nue os escena ios de comunicaciones
median e el uso de Ap endizaje po Re ue zo.
Palab as Cla e- Comunicaciones inalámb icas, In eligencia
A i icial, clus e ing, VAEs, p opagación.
I. INTRODUCCIÓN
Hoy en día, los a ances en las edes de comunicaciones
han dado como esul ado un mundo comple amen e
conec ado. La In eligencia A i icial (IA) se aplica ya en
odas las capas/ni eles de p o ocolos de las edes 5G.
Además, la combinación de IA y écnicas de compu ación
es á siendo explo ada en el campo de la in es igación. Po
lo an o, las ap oximaciones basadas en IA se án uno de
los pila es undamen ales pa a que las edes 6G cumplan
con los equisi os de millones de usua ios en odo el mundo
[1][2]. Se equie en edes in eligen es 6G pa a negocia un
equilib io en e el endimien o de la ed, la espues a
ins an ánea y el consumo de ene gía, pa a lo que una
con igu ación óp ima de la po encia de ansmisión en las
es aciones base log a un equilib io ene gé ico en la ed [3].
Pa a alcanza es e equilib io es necesa io ealiza
op imizaciones mul iobje i o pa a cada uno de los
di e en es nue os escena ios 6G como los que se mues an
en la Figu a 1.
En es e ma co de u u as comunicaciones se de inen los
siguien es es escena ios ipo en unción de los equisi os
del usua io:
• u he -enhanced Mobile B oadBand ( u he -
eMBB). Es e esquema iene como obje i o
p opo ciona al usua io elocidades de da os en el
ango de TB/s.
•enhanced ul a–Reliable Low La ency
Communica ions (enhanced uRLLC). Es e
en oque se cen a en minimiza el e aso de un
ex emo a o o en las edes de comunicación. Pa a
ello, nue os esquemas de ed menos complejos en
su a qui ec u a pe mi i án un p ocesamien o más
ápido de los paque es de da os.
•ul a-massi e Machine-Type Communica ions
(ul a-mMTC). Basado en el pa adigma de
In e ne de las cosas (IoT), es e en oque p opone
un esquema de ed donde múl iples disposi i os
es án comple amen e in e conec ados.
261
N. Má i -Mo eno, A. Ramí ez-A oyo, L. Ga cía, S. Va a, J.F. Valenzuela-Valdés. 2021.
Todos es os a ances end án que hace se con nue as
a qui ec u as de ed que pe mi an una cobe u a global de
las edes, po lo que 6G debe p opo ciona una ed
in eg ada Espacio-Ai e-Tie a-Ma [4]. Po lo an o, en las
edes 6G apa ece án nue os escena ios que debe án
ca ac e iza se. En es os nue os escena ios, las
comunicaciones Ship- o-Ship (S2S), Vehicle- o-Sa elli e
(V2S) o UAV- o-UAV, solo se pueden desa olla de
mane a iable si enemos una ca ac e ización p e ia de los
en o nos de ed.
Resumiendo lo an e io , es necesa io un conocimien o
y modelado del canal de comunicaciones pa a analiza y
op imiza su impac o ísico en las señales adio de
comunicación. Con ello se consigue diseña ecnologías de
comunicación e ec i as y iables que espondan a las
necesidades del usua io. Ac ualmen e, se es án
comenzando a desa olla écnicas de IA pa a es ima el
canal de comunicación. Una de las p opues as de es e
a ículo es da un paso más, no solo pa a es ima el canal
de comunicación a a és de la IA sino pa a clasi ica y
gene a u u os canales de comunicaciones. En
pa icula , dados los nue os y desa ian es esquemas de
edes u u as que coexis en con en o nos de medición
con olados, como las cáma as anecoicas y
e e be an es, la IA puede desempeña un papel
impo an e pa a emula los casos de á ico eal abajando
con g andes can idades de medidas de canal ob enidas de
un en o no con olado. Al cen a nos en la pa e de IA,
elacionada con los pa adigmas de ap endizaje
au omá ico, el obje i o es ap ende a combina y p ocesa
mediciones con oladas pa a c ea escena ios de á ico
eal deseados sin ene un modelo exac o. La apo ación de
es e abajo es la p opues a y p ueba de concep o de un
nue o banco de p uebas y me odología de abajo basada
en IA pa a clasi ica y gene a escena ios de p opagación.
II. GENERACIÓN DE ESCENARIOS MEDIANTE APRENDIZAJE
POR REFUERZO (DEEP REINFORCEMENT LEARNING)
El ap endizaje po e ue zo imi a el p oceso cogni i o
del ce eb o humano explo ando acciones de ap endizaje
po p ueba y e o en los casos en los que no se puede
aplica una es a egia es uc u ada de ap endizaje
au omá ico supe isado. Se de ine un agen e que
in e ac úa con un en o no pa a explo a las mejo es
acciones pa a ep esen a indi ec amen e un modelo,
maximizando una cie a ecompensa a la go plazo. El
ap endizaje po e ue zo se p opone pa a una amplia gama
de aplicaciones de u u as comunicaciones
inalámb icas, uncionando especialmen e bien cuando se
u ilizan a qui ec u as de edes p o undas.
El ap endizaje po e ue zo p o undo asegu a la
con e gencia de los algo i mos de ap endizaje con un cos e
in e io en é minos de iempo compa ado con ap endizaje
po e ue zo clásico [5].
A. P ocesamien o median e DRL
Nues o abajo p opone aplica DRL pa a p ocesa y
combina un conjun o de espues as en ecuencia y en
iempo de un canal de comunicaciones, con el obje i o de
c ea nue as espues as complejas de di e sos escena ios
de á ico eal. La Figu a 2 mues a un esquema de es e
en oque:
•El agen e DRL se implemen a con una ed
neu onal p o unda que ap ende a combina un
conjun o de espues as de canal con oladas
o iginadas en el banco de p uebas. Como
esul ado, gene a ins ancias de la espues a del
canal emulado.
•El en o no DRL se implemen a u ilizando
modelos gene a i os p o undos en compe encia,
pa a la clasi icación de los escena ios emulados.
Cada modelo se en ena con una amplia colección
de da os de cada escena io eal. Los modelos
gene a i os como los Va ia ional Au oencode s
(VAEs) o las Redes Gene a i as An agónicas
(Gene a i e Ad e sa ial Ne wo ks, GANs)
ap enden la e dade a dis ibución de los da os de
en enamien o pa a gene a nue as ins ancias de
da os con algunas a iaciones.
•La ecompensa DRL se ob iene cuando la
espues a de canal emulada po el agen e DRL, es
clasi icada po el en o no DRL. La p obabilidad de
que el canal emulado pe enezca a la clase obje i o
de la emulación se á la ecompensa. Si se quie e
emula uno de los escena ios exis en es, la
ecompensa se á p opo cional a la p obabilidad de
que el canal emulado pe enezca a la clase del
escena io en pa icula .
El ciclo Emulación de canal - Clasi icación de canal se
epi e de o ma ecu si a has a la con e gencia del
algo i mo DRL. Como p ueba de concep o, el es o de es a
sección p opo ciona al lec o un ejemplo de clus e ización,
Fig. 2. Esquema del en oque de Deep Lea ning pa a la gene ación de
nue os escena ios de á ico eal.
262
Ac as de las XV Jo nadas
de Ingenie ía Telemá ica
(JITEL 2021),
A Co uña (España),
27-29 de oc ub e de 2021.
This wo k is licensed unde a C ea i e Commons 4.0 In e na ional License (CC BY-NC-ND 4.0)
clasi icación y emulación de cua o escena ios di e en es a
a és de DRL. Es os escena ios se miden en la banda de
24.25-27.5 GHz, especí icamen e ese ada pa a la
asignación de espec o 5G en Eu opa. Además, incluimos
medidas en la banda de ondas milimé icas (60 GHz) [6]
que se án undamen ales en las u u as comunicaciones
mó iles.
B. P opiedades del canal
Pa a aplica DRL es undamen al comp ende y ex ae
las p opiedades que hacen que cada ipo de escena io sea
único. El canal se puede analiza an o en el dominio del
iempo como en el de la ecuencia y de cada uno se pueden
ex ae di e en es p opiedades disc imina o ias. Po un
lado, en el dominio del iempo adqui imos los elacionados
con el iempo de llegada de las componen es mul icamino
del canal. Po o o lado, en el dominio de la ecuencia
ob enemos mé icas elacionadas con la a enuación y ase
del canal. Po ejemplo, algunas de es as p opiedades son:
•Fac o K: Es la elación en e la componen e
p incipal de los Mul iPa h Componen s (MPCs) y
la po encia o al del es o de MPCs en el escena io.
•Re a do p omedio (𝜏𝑚𝑒𝑎𝑛), e a do de a ianza
(𝜏𝑣𝑎𝑟) y dispe sión del e a do (𝜏𝑅𝑀𝑆): Es as es
p opiedades es án elacionadas con el iempo de
llegada de la señal. 𝜏𝑚𝑒𝑎𝑛 indica el iempo
p omedio en que la po encia de la señal eco e el
pa TX-RX. 𝜏𝑣𝑎𝑟 y 𝜏𝑅𝑀𝑆 son indica i os de la
sepa ación empo al de las dis in as componen es
mul icamino.
•A enuación: En el dominio de la ecuencia, es a
p opiedad ep esen a la a enuación de la onda
elec omagné ica debido a la p opagación en el
escena io.
•E iciencia espec al: De e mina la can idad
máxima de in o mación (en bps/s/Hz) que se
puede ansmi i de mane a iable a a és del
canal de comunicaciones.
A modo de ejemplo, mos amos cómo es a
pa ame ización disc imina i a de canales pod ía
unciona en cua o escena ios di e en es. Los escena ios
elegidos son una cáma a anecoica, una cáma a
e e be an e, un escena io indoo y un escena io ou doo
( e Figu a 3). Se adquie en 1089 medidas pa a cada
escena io, pa a un o al de 4356 canales. Los dos p ime os
escena ios pe enecen a la amilia de escena ios
con olados. Los dos úl imos pe enecen a la amilia de
escena ios eales que pod ían ocu i en un en o no eal de
comunicaciones mó iles. Los es p ime os escena ios se
miden en la banda de 26 GHz, mien as que el úl imo se
adquie e en la banda de 60 GHz [6].
C. Clus e ización, clasi icación y gene ación de
escena ios.
Como se dijo an e io men e, cada escena io se puede
ca ac e iza po un conjun o de pa áme os disc imina i os
basados en sus p opiedades. En el ejemplo p opo cionado,
se han u ilizado el Fac o K, 𝜏𝑚𝑒𝑎𝑛, 𝜏𝑣𝑎𝑟, 𝜏𝑅𝑀𝑆, la
a enuación y la e iciencia espec al. Dado que es as seis
p opiedades p oducen un espacio de seis dimensiones que
no es ácilmen e in e p e able a p ime a is a, es amos
in e esados en educi la dimensionalidad a un espacio
bidimensional. Especí icamen e, -Dis ibu ed S ochas ic
Neighbo Embedding ( -SNE) [7] es una écnica no lineal
pa a la educción de dimensionalidad pa icula men e
adecuada pa a la isualización en un espacio
bidimensional de conjun os de da os de mayo dimensión.
Al aplica -SNE a las mediciones de nues os escena ios,
podemos isualiza el g ado de clus e ización de es os
cua o escena ios como se mues a en la Figu a 4(a). -SNE
ap o echa las ca ac e ís icas disc imina i as de cada
escena io pa a o ma cua o g andes g upos. Una ez que
-SNE de ec a las peculia idades de cada escena io, puede
dis ingui cua o g upos p incipales, uno pa a cada
escena io.
Una ez de inimos las écnicas -SNE pa a la educción de
la dimensionalidad, se p oceden a usa modelos
gene a i os, en es e caso los VAEs.
En la p ueba de concep o p esen ada, hemos
seleccionado el VAE [8] como modelo gene a i o pa a
modela las e dade as dis ibuciones de da os de los
escena ios. Los VAE son a qui ec u as de ap endizaje
au omá ico no supe isadas o madas po dos edes
neu onales, denominadas codi icado y decodi icado
espec i amen e. El obje i o del codi icado es disminui
la dimensión de las en adas al VAE, c eando un conjun o
de pa áme os en un espacio la en e. El decodi icado es
esponsable de egene a los da os o iginales a pa i de
dichos pa áme os en el espacio la en e.
263
N. Má i -Mo eno, A. Ramí ez-A oyo, L. Ga cía, S. Va a, J.F. Valenzuela-Valdés. 2021.
En nues o ejemplo se en enan de mane a no supe isada
4 VAEs, usando en cada uno de ellos da os de cada uno de
los cua o escena ios que se quie en modela . Una ez
en enados los VAEs pa a cada uno de los 4 escena ios, el
nue o escena io emulado que se quie e clasi ica se usa
pa a egene a da os en los 4 VAEs. Se elegi á como clase
de pe enencia del canal emulado, la clase del VAE que
gene e mues as con una en opía c uzada más baja. La
Figu a 4(b) mues a un ejemplo simple de clasi icación de
los cua o escena ios siguiendo la es a egia desc i a. Se
puede e que la clasi icación se p oduce de mane a
sa is ac o ia, con p ecisiones supe io es al 93% en odas
las clases.
En el paso inal del p oceso de ap endizaje, es iable
gene a el canal en base a las ecompensas que b inda el
en o no DRL. El agen e DRL elige aquellos canales que,
ag egados linealmen e, ec ean un escena io dado con
mayo p ecisión. Además, el agen e no solo elige los
mejo es canales, sino que ambién incluye un e a do y
a enuación pa a cada escena io. Es a écnica de
pos p ocesamien o implica un e aso en el canal o una
disminución en la po encia de ansmisión. La Figu a 5
mues a un ejemplo de gene ación de nue os escena ios.
Es e ejemplo se gene a modi icando cua o escena ios
eales, cada uno ep esen ado en un colo di e en e. Cada
uno de los nue os escena ios se combina de o ma lineal
ag egando una de e minada a enuación y delay de mane a
que la nue a espues a al impulso es ep esen a i a de un
escena io comple amen e nue o.
III. CONCLUSIONES
Es e abajo p opone la pa ame ización, clus e ización
y clasi icación de escena ios 6G basados en Ap endizaje
po Re ue zo P o undo y Modelos Gene a i os. U ilizando
un conjun o de medidas de en o no con olado y escena ios
eales como en ada, es a idea de ine un agen e de
ap endizaje que emula nue os escena ios a a és de una
ed neu onal p o unda clásica. Las ec eaciones son
ecompensadas con el esul ado de un en o no de
clasi icación implemen ado como un conjun o de
au oencode s a iacionales (VAEs) en enados con
escena ios eales. Es os modelos gene a i os u ilizados
pa a la clasi icación es án o ien ados a conoce las
e dade as dis ibuciones de da os de los escena ios a
clasi ica y, po an o, p opo cionan he amien as ú iles
pa a modi ica las dis ibuciones de da os de acue do con
las necesidades po enciales.
Como líneas u u as, el uso de edes gene a i as
an agónicas pa a combina escena ios bajo demanda
siguiendo las es a egias exi osas aplicadas en o os
campos del conocimien o pueden ab i nue as líneas de
in es igación. La gene ación de escena ios p esen ada
ayuda á a modela y analiza en p o undidad los nue os
canales de comunicaciones mó iles. Es os modelos
pe mi i án el es udio y mejo a de las p es aciones, po
ejemplo en ámbi os an demandados como la e iciencia
ene gé ica.
AGRADECIMIENTOS
Es e abajo ha sido inanciado po el P og ama Espa-
ñol de In es igación, Desa ollo e Inno ación bajo el P o-
yec os RTI2018-102002-A-I00, el P oyec o PID2020-
112545RB-C54, y el P oyec o TIN2016-75097-P, y en
pa e po la “Jun a de Andalucía” bajo el P oyec o B-TIC-
402-UGR18, el P oyec o A-TIC-608-UGR20, y P oyec o
P18.RT. 4830 y en pa e po la beca p edoc o al
FPU19/01251. Los au o es ag adecen a Ca melo Ga cía-
Ga cía, Ángel Paloma es-Caballe o, Ca los Mole o-Jimé-
nez po sus ayuda y comen a ios, y a José F ancisco Co -
és-Gómez po el apoyo g á ico.
REFERENCIAS
[1] C. -X. Wang, J. Huang, H. Wang, X. Gao, X. You and Y. Hao, "6G
Wi eless Channel Measu emen s and Models: T ends and
Challenges," IEEE Vehicula Technology Magazine, ol. 15, no. 4,
pp. 22-32, Dec. 2020.
[2] Z. Zhang e al., "6G Wi eless Ne wo ks: Vision, Requi emen s,
A chi ec u e, and Key Technologies," IEEE Vehicula Technology
Magazine, ol. 14, no. 3, pp. 28-41, Sep . 2019.
[3] A. Ramí ez-A oyo, P. H. Zapa a-Cano, Á. Paloma es-Caballe o, J.
Ca mona-Mu illo, F. Luna-Vale o and J. F. Valenzuela-Valdés,
"Mul ilaye Ne wo k Op imiza ion o 5G & 6G," IEEE Access,
ol. 8, pp. 204295-204308, 2020.
[4] I. F. Akyildiz, A. Kak and S. Nie, "6G and Beyond: The Fu u e o
Wi eless Communica ions Sys ems," IEEE Access, ol. 8, pp.
133995- 134030, 2020.
[5] N.C. Loung, D.T. Hoang, D. Niya o, P. Wang, Y.C. Liang, D. In
Kim, “Applica ions o Deep Rein o cemen Lea ning in
Communica ions and Ne wo king: A Su ey”, IEEE
Communica ions Su eys and Tu o ials, ol. 21, no 4, 2019.
[6] mmWa e Channel Model Alliance Da abase, F aunho e Hein ich-
He z-Ins i u , Be lin, Ge many. [Online]. A ailable: h ps://
5gmm.nis .go /
[7] L.J.P. an de Maa en and G.E. Hin on, “Visualizing High-
Dimensional Da a Using -SNE,” Jou nal o Machine Lea ning
Resea ch ol. 9, pp. 2579-2605, 2008.
[8] D. Kingma and M. Welling, “Au o-Encoding Va ia ional Bayes” in
2nd In e na ional Con e ence on Lea ning Rep esen a ions, ICLR
2014, Ban , AB, Canada, 2014.
[9] A. Jabba , X. Li and B. Oma , “A Su ey on Gene a i e Ad e sa ial
Ne wo ks: a ian s, applica ions and aining”, 2020,
doi:a Xi :1909.11573
264
