Proyecto
Gestión de recursos radio en O-RAN
Desarrollo de algoritmos avanzados de optimización y gestión de fallos que aprovechan predicciones e información de contexto para mejorar el rendimiento de la red.
Enfoque inicial
Este proyecto se centra en los avances de las futuras redes B5G/6G. Estas redes introducirán innovaciones significativas, como:
- Bandas de frecuencia más altas (mmWave, THz).
- Esquemas de despliegue sin celdas (cell-less).
- Esquemas de despliegue sin dispositivos (device-free).
- Antenas inteligentes reconfigurables
Estos nuevos entornos radio presentan importantes desafíos y requieren enfoques completamente nuevos para tareas tradicionales como la optimización de la movilidad y la asignación de recursos.
En este proyecto abordamos estos retos mediante el desarrollo de algoritmos avanzados de optimización y gestión de fallos que aprovechan predicciones e información de contexto —por ejemplo, la ubicación del usuario— para mejorar el rendimiento de la red.
Caso de uso
La gestión de la movilidad es crítica en las redes de telecomunicaciones. Garantiza una conectividad sin interrupciones y una experiencia de usuario óptima. Implica la coordinación inteligente de los handovers, la continuidad de las sesiones y la asignación de recursos para dar servicio a los usuarios en entornos altamente dinámicos, como áreas urbanas con alta densidad de tráfico móvil o redes de transporte de alta velocidad.
Los mecanismos actuales de handover L3 son principalmente reactivos y se basan en resultados históricos de mediciones o en eventos desencadenantes para iniciar y ejecutar los handovers. Aunque resultan eficaces para equipos de usuario (UE) con baja movilidad en entornos de macroceldas, este enfoque puede presentar dificultades en escenarios con alta movilidad de los UE, despliegues densos de microceldas o servicios avanzados como XR.
Los esquemas reactivos suelen provocar problemas como fallos de handover, fallos del enlace radio, efectos Ping-Pong, degradación del throughput y una temporización inadecuada de los handovers. Para mejorar la robustez, 3GPP ha introducido el Conditional Handover (Rel-16) y LTE HO (Rel-18) con el objetivo de reducir los tiempos de interrupción durante los frecuentes handovers entre celdas pequeñas. Sin embargo, estos métodos siguen siendo intrínsecamente reactivos por diseño.
Línea de innovación
Nuestro caso de uso de gestión de la movilidad explora innovaciones avanzadas aprovechando las capacidades de regresión y predicción de enlaces de las redes neuronales de grafos (Graph Neural Networks, GNN). En el contexto de las redes celulares, las GNN proporcionan un marco potente para modelar relaciones complejas entre entidades de red, como los equipos de usuario (UE), las estaciones base y los enlaces radio.
Mediante la aplicación de GNN, buscamos predecir con precisión métricas críticas del enlace radio, como la intensidad de la señal, los niveles de interferencia y las probabilidades de éxito del handover, así como determinar cuál será la siguiente celda más probable para un determinado UE.
Este enfoque proactivo permite tomar decisiones de handover más inteligentes y eficientes, reduciendo la latencia, minimizando los fallos de handover y mejorando el rendimiento global.
Mediante la integración de estas técnicas avanzadas de IA, buscamos redefinir la gestión de la movilidad, garantizando una conectividad fluida y una mejor experiencia de usuario en entornos de red dinámicos y de alta densidad.
Hablemos
Analizamos cada necesidad desde su contexto real para determinar qué tiene sentido construir y cómo hacerlo.