Intelligent physical layer architectures for 6G

Página do item simplificado
dc.contributor.advisorAbrão, Taufik
dc.contributor.authorMartins, Rafael Marasca
dc.contributor.bancaOliveira, Glauber Gomes de
dc.contributor.bancaSouza, Richard Demo
dc.contributor.coadvisorMathias, Luis Carlos
dc.coverage.extent161 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-08-28T15:41:10Z
dc.date.available2026-08-28T15:41:10Z
dc.date.issued2026-06-19
dc.description.abstractAbstract: The physical layer of next-generation wireless networks faces challenges that extend beyond classical theoretical limits and are frequently constrained by practical issues, such as restricted computational budgets and hardware non-idealities. This dissertation explores how incorporating intelligence into the physical layer can overcome these bottlenecks across three scenarios relevant to 6G networks. First, in Reconfigurable Intelligent Surface (RIS)-aided communications, the mismatch between the low update rate of GNSS positioning and the need for rapid surface reconfiguration compromises beam alignment. To address this limitation, a predictive control strategy based on the Kalman filter is proposed, employing constant-velocity and constantacceleration motion models. This predictive approach reduces received power degradation by a factor of up to five compared to a conventional reactive strategy, with the constant-acceleration model proving more robust for trajectories involving curves and abrupt direction changes. The second application scenario occurs in Integrated Sensing and Communication (ISAC) systems, where joint beamforming optimization for sensing and communication leads to non-convex problems whose conventional iterative solutions often fail to converge within realistic computational budgets. To overcome this bottleneck, a deep unfolding architecture is developed that reformulates the Successive Convex Approximation algorithm as a computational graph with trainable parameters. The resulting optimizer increases the feasibility rate under the same iteration count while also providing gains in sensing capabilities. The third intelligenceaided application at the physical layer pertains to optical wireless communications: the use of off-the-shelf optical components in IEEE 802.15.7 Color Shift Keying (CSK) modulation introduces distortions in the received constellation that render the conventional geometric detector inadequate. An end-to-end system model is developed, and three machine-learning-based detectors are evaluated, demonstrating that geometric constellation warping, rather than additive noise, constitutes the dominant performance limiter. The proposed detectors reduce the classification error by approximately 51%. Across all investigated scenarios, the intelligence incorporated into the physical layer—whether through model-based prediction, algorithm unfolding, or datadriven classification—yields substantial and practically realizable gains, highlighting the potential of these techniques for future 6G networks
dc.description.abstractother1Resumo: A camada física de redes sem fio de próxima geração enfrenta desafios que vão além dos limites teóricos clássicos, sendo frequentemente limitada por restrições práticas, como orçamentos computacionais restritos e não idealidades de hardware. Esta dissertação explora como a incorporação de inteligência na camada física pode superar esses gargalos em três cenários relevantes para redes 6G. Primeiramente, no contexto de comunicações assistidas por superfícies inteligentes reconfiguráveis (RIS), o descasamento entre a baixa taxa de atualização do posicionamento GNSS e a necessidade de reconfiguração rápida da superfície compromete o alinhamento do feixe. Para contornar essa limitação, uma estratégia de controle preditivo baseada no filtro de Kalman é proposta, empregando modelos de velocidade constante e aceleração constante. A abordagem preditiva reduz a degradação da potência recebida em até aproximadamente cinco vezes em relação a uma estratégia reativa convencional, com o modelo de aceleração constante se mostrando mais robusto para trajetórias com curvas e mudanças abruptas de direção. O segundo cenário de aplicação desenvolvese no domínio de sistemas de comunicação e sensoriamento integrados (ISAC): a otimização conjunta da conformação de feixe para sensoriamento e comunicação resulta em problemas não convexos cuja solução iterativa convencional frequentemente falha em convergir dentro de tempos computacionais realistas. Para superar esse gargalo, uma arquitetura de desdobramento profundo é desenvolvida, reformulando o algoritmo de aproximação convexa sucessiva como um grafo computacional com parâmetros treináveis. O otimizador resultante eleva a taxa de factibilidade de SINR sob o mesmo número de iterações, além de proporcionar ganhos na capacidade de sensoriamento. A terceira aplicação auxiliada por inteligência na camada física referese às comunicações ópticas sem fio: a utilização de componentes ópticos comerciais na modulação por troca de cores (CSK) do padrão IEEE 802.15.7 introduz distorções na constelação recebida, o que torna o detector geométrico convencional inadequado. Um modelo de sistema ponta a ponta é desenvolvido e três detectores baseados em aprendizado de máquina são avaliados ec omparados com o detector tradicional, demonstrando que a distorção geométrica da constelação, e não o ruído aditivo, constitui o principal limitante de desempenho. Os detectores baseados em aprendizado de máquina reduzem o erro de classificação em aproximadamente 51%. Em todos os cenários investigados, a inteligência incorporada à camada física, seja por meio de predição baseada em modelo, desdobramento de algoritmos ou classificação orientada por dados, proporciona ganhos expressivos e praticamente realizáveis, evidenciando o potencial dessas técnicas para as futuras redes 6G
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/19737
dc.language.isoeng
dc.relation.departamentCTU - Departamento de Engenharia Elétrica
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Engenharia Elétrica
dc.subjectMachine learning
dc.subject6G
dc.subjectIntelligent reflecting surfaces
dc.subjectIntegrated sensing and communication
dc.subjectVisible light communication
dc.subjectPhysical layer
dc.subjectTransmission schemes
dc.subject6G networks
dc.subjectBeamforming
dc.subjectReconfigurable intelligent surfaces (RIS)
dc.subject.capesEngenharias - Engenharia Elétrica
dc.subject.cnpqEngenharias - Engenharia Elétrica
dc.subject.keywordsAprendizado de máquina
dc.subject.keywords6G
dc.subject.keywordsSuperfícies refletoras inteligentes
dc.subject.keywordsSensoriamento e comunicação integrados
dc.subject.keywordsComunicação por luz visível
dc.subject.keywordsCamada física
dc.subject.keywordsEsquemas de transmissão
dc.subject.keywordsRedes 6G
dc.subject.keywordsFormação de feixes
dc.subject.keywordsSuperfícies inteligentes reconfiguráveis (RIS)
dc.titleIntelligent physical layer architectures for 6G
dc.title.alternativeArquiteturas inteligentes da camada física para 6G
dc.typeDissertação
dcterms.educationLevelMestrado Acadêmico
dcterms.provenanceCentro de Tecnologia e Urbanismo

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
EN_EEL_Me_2026_Martins_Rafael_M.pdf
Tamanho:
7.32 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 195616
Baixar
Nenhuma Miniatura disponível
Nome:
EN_EEL_Me_2026_Martins_Rafael_M_TERMO.pdf
Tamanho:
232.41 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

02 - Mestrado - Engenharia Elétrica