Spectrum Sensing: cómo funciona el sensado de espectro con IA, radio cognitiva y conciencia espectral 5G/6G
El sensado de espectro permite detectar qué frecuencias están ocupadas y cuáles libres, una capacidad central para la radio cognitiva y la conciencia espectral en 5G y 6G. La IA y el aprendizaje profundo están elevando el desempeño incluso en condiciones de bajo SNR.
¿Qué es el sensado de espectro y por qué importa?
El sensado de espectro (spectrum sensing) es el proceso con el que un sistema observa la actividad de radiofrecuencia a su alrededor y determina qué frecuencias están ocupadas y cuáles están libres. Es una capacidad clave para las redes de radio cognitiva (CRN), el acceso dinámico al espectro y la conciencia espectral en 5G y 6G. En la práctica, un usuario secundario necesita saber si el usuario primario está transmitiendo antes de usar una banda, y debe liberarla en cuanto el primario la reclame.
No es solo un tema técnico: también pega en la economía. El espectro es un recurso finito y, aunque parezca mentira, muchas bandas licenciadas pasan largos ratos sin usarse, o se usan solo en ciertas zonas. El sensado de espectro sirve justo para convertir esa observación en algo útil: decisiones de acceso, coordinación entre usuarios y asignación de canal. En ese terreno, NIST —a través de su Communications Technology Laboratory y la Wireless Networks Division— hace investigación sobre tecnología de sensores, infraestructura de monitoreo y análisis de ocupación espectral. Su foco incluye la banda de 3.5 GHz, el sensado cicloestacionario y de filtro adaptado, plataformas SDR, ADC, bases de datos de ocupación y la calibración de sensores de bajo costo.
¿Cómo funciona el sensado de espectro en las redes de radio cognitiva?
En el contexto de una red de radio cognitiva, el sensado de espectro suele plantearse como un problema de prueba de hipótesis binaria: el usuario secundario tiene que decidir si la señal del usuario primario está presente o no. Con base en esa decisión, el radio cognitivo va ajustando parámetros de transmisión como la frecuencia, el nivel de potencia y el esquema de modulación, todo a partir de lo que observa en tiempo real del entorno. Y si el usuario primario vuelve a aparecer, el secundario está obligado a soltar la banda.
Ese ciclo de observar, decidir y adaptarse es justo lo que separa a una radio cognitiva de una radio convencional. Además, el sensado también sirve para medir los niveles de interferencia, la fuerza de la señal y el ruido, identificar a los emisores y sus patrones de uso, y alimentar los mecanismos de coordinación. Ahora bien, en el sensado cooperativo cada trama reserva intervalos periódicos para sensar, luego se reporta la información al Fusion Center (FC), y de ahí se decide y se asigna el canal. Todo este flujo ayuda a reducir la incertidumbre que tendría un solo sensor y, al final, hace más confiable la decisión sobre el espectro.
Técnicas tradicionales: energía, filtro adaptado y detección cicloestacionaria
A grandes rasgos, las técnicas tradicionales de sensado de espectro se pueden agrupar en tres familias. La primera es la detección de energía, que sin duda es la más socorrida por lo sencilla que resulta; el problema es que no se porta bien cuando la relación señal-ruido (SNR) es baja. Luego está el filtro adaptado, también conocido como detección coherente, que aprovecha las características que ya conocemos de la señal y por eso logra un mejor desempeño en condiciones de bajo SNR, aunque como era de esperarse, requiere tener ese conocimiento previo. Y por último tenemos la detección de características cicloestacionarias, que se apoya en las propiedades estadísticas de la señal: es más robusta que las anteriores, sí, pero también bastante más compleja de implementar.
Las funciones de ventana que se usan en el análisis espectral, igual que las funciones kernel en las representaciones tiempo-frecuencia cuadráticas, tienen un impacto directo en qué tan bien se detecta una señal. Por eso, más allá de la clásica detección de energía, los algoritmos que aprovechan características conocidas de la señal logran mejores resultados cuando el SNR es bajo. Al final, la técnica que conviene usar depende de qué tanto sepamos de la señal, del costo computacional que podamos costear y de las condiciones de propagación.
IA y aprendizaje automático para el sensado de espectro
Los métodos de aprendizaje automático sí que muestran una mejora clara frente a las técnicas tradicionales, aunque el verdadero dolor de cabeza sigue siendo elegir las características más útiles. Dentro del aprendizaje profundo, hay dos enfoques que destacan: las redes de segmentación semántica, que sirven para identificar señales 5G y LTE, y las ConvLSTM, pensadas para hacer sensado cuando el SNR es muy bajo. Con este tipo de técnicas se pueden detectar y clasificar señales incluso en escenarios donde el ruido domina por completo lo que se observa.
DeepSig es un claro ejemplo de cómo la IA puede aplicarse a la conciencia espectral. Su suite OmniSIG reúne varias herramientas: Engine, una biblioteca de detección y clasificación de señales con IA que no depende del procesador; Studio, enfocada en la curaduría y el entrenamiento tanto de datos de RF como de modelos de IA; Analytics, para analítica y visualización en tiempo real; además de Direction Finding y Model Hub. La empresa asegura que su tecnología logra una detección hasta 1000 veces más rápida, identifica señales desconocidas, cubre bandas anchas, analiza el espectro con redes neuronales de tiempo-frecuencia y funciona sin necesidad de entrenamiento previo. Como si fuera poco, recibió una subvención de la NTIA para integrar capacidades de SDR con IA en Open Radio Units (O-RU) comerciales, lo que permite ofrecer sensado de espectro de banda ancha en tiempo real a través de la interfaz fronthaul de O-RAN.
Comparación y compensaciones entre técnicas de sensado
Cada técnica de sensado tiene sus pros y sus contras: algunas son más sencillas de implementar, otras aguantan mejor el ruido, y no todas rinden igual cuando la señal es débil. En la tabla que viene enseguida se resumen las compensaciones más importantes que vale la pena tener en cuenta a la hora de diseñar un sistema de radio cognitiva.
| Técnica | Ventaja principal | Limitación |
|---|---|---|
| Detección de energía | Simple y de baja complejidad | Pobre desempeño a bajo SNR |
| Filtro adaptado | Mejor desempeño a bajo SNR | Requiere conocimiento previo de la señal |
| Detección cicloestacionaria | Más robusta, usa propiedades estadísticas | Mayor complejidad computacional |
| Métodos de ML/DL | Mejor rendimiento general | Reto en selección de características y datos de entrenamiento |
Los métodos centralizados que posprocesan datos introducen latencia, degradan la precisión y consumen ancho de banda excesivo. En contraste, el sensado con IA embebido en el borde (edge) habilita operación en tiempo real con baja latencia. Esa diferencia es clave para aplicaciones 5G y 6G donde la reacción debe ocurrir en milisegundos y no en ciclos de procesamiento remoto.
Sensado cooperativo y distribuido: el papel del Fusion Center
En el sensado cooperativo, todos los agentes espectrales envían sus resultados de sensado a un Fusion Center, que combina la información y decide sobre la ocupación del espectro. Este esquema mejora las métricas de detección porque compensa desvanecimientos y sombras que afectan a un solo sensor. La lógica es simple: varias observaciones independientes reducen la probabilidad de error conjunta.
El sensado de banda ancha es un área de investigación activa para redes de radio cognitiva, porque cubre múltiples bandas y requiere arquitecturas más exigentes. La Universidad de Notre Dame desarrolla RadioHound, una plataforma de sensado de espectro con sensado distribuido para identificación y geolocalización de emisores, además de beamforming distribuido con arreglos. RadioHound apunta a sensores de costo ultra bajo (1 dólar) y bajo consumo (cientos de milivatios), con 18 paquetes portátiles resistentes a la intemperie interconectados por radios MANET. Los sensores corren en Raspberry Pi con un HAT de RF personalizado, BeagleBone Black con CAPE de RF y son compatibles con plataformas Ettus SDR, con sintonía de 25 MHz a 6 GHz. El proyecto colabora con el US Army Research Laboratory.
Métricas de desempeño: Pd, Pfa y el reto del bajo SNR
La investigación en sensado de espectro enfatiza dos métricas principales: la probabilidad de detección (Pd) y la probabilidad de falsa alarma (Pfa). Una Pd alta indica que el sistema detecta correctamente la presencia del usuario primario; una Pfa baja indica que no confunde ruido con señal. El equilibrio entre ambas define la utilidad práctica del sensor, porque una Pfa elevada desperdicia oportunidades espectrales y una Pd baja causa interferencia.
El sensado cooperativo, donde los agentes envían resultados a un Fusion Center, se usa para mejorar estas métricas. En condiciones de bajo SNR, las técnicas tradicionales como la detección de energía fallan, y por eso los enfoques de aprendizaje profundo y las características cicloestacionarias ganan terreno. La selección de características sigue siendo el principal desafío de los métodos de machine learning, junto con la disponibilidad de datos de entrenamiento representativos.
Hardware, especificaciones y plataformas comparables
El hardware de sensado de espectro condiciona el costo, el consumo y la cobertura. RadioHound busca un costo objetivo de 1 dólar, 100 milivatios y un medidor RSSI de 1 bit, con sintonía de 25 MHz a 6 GHz. Su densidad de sensores puede ser tres veces la de sensores ideales de rango dinámico infinito; omite LNAs, usa mezcladores de un solo diodo con LO starved, permite plegado de imagen y emplea detectores de umbral de un bit.
El beamforming distribuido de Notre Dame utiliza SDR con DAC/ADC complejo de 100 MSPS de banda ancha, sintonizable desde banda S hasta banda X con módulos X-microwave. NIST investiga ADC de banda ancha (aproximadamente 1 GHz o más) para coordinar arreglos de sensores. DeepSig OmniSIG detecta y clasifica docenas de tipos de señal simultáneamente en anchos de banda instantáneos amplios. MathWorks ofrece ejemplos de sensado de espectro con aprendizaje profundo para identificar señales 5G y LTE, y para radar y comunicaciones inalámbricas.
Del laboratorio al despliegue: qué viene para 5G y 6G
La conciencia espectral en 5G y 6G no depende de una sola técnica, sino de la combinación de sensado, IA y coordinación. La integración de Integrated Sensing and Communications (ISAC) apunta a que la misma infraestructura de radio sirva para comunicar y para sensar el entorno. Eso exige sensado de banda ancha, baja latencia y decisiones distribuidas en el borde de la red.
La evidencia actual muestra que el sensado con IA embebido supera a los esquemas centralizados en latencia y consumo de ancho de banda. Plataformas como RadioHound, DeepSig OmniSIG y los desarrollos de NIST y Notre Dame marcan el camino hacia redes que detectan, clasifican y geolocalizan emisores en tiempo real. El reto pendiente está en la calibración de sensores de bajo costo, la disponibilidad de datos de entrenamiento y la estandarización de interfaces como el fronthaul de O-RAN.
Preguntas frecuentes sobre sensado de espectro
¿Qué es el sensado de espectro?
El sensado de espectro es el proceso por el cual un sistema observa la actividad de radiofrecuencia a su alrededor y detecta qué frecuencias están ocupadas y cuáles libres. Es central en las redes de radio cognitiva, porque permite a los usuarios secundarios encontrar y usar huecos espectrales sin interferir con los usuarios primarios.
¿Cómo funciona el sensado de espectro en las redes de radio cognitiva?
Un radio cognitivo realiza sensado de espectro para determinar si la señal de un usuario primario está presente, normalmente como una prueba de hipótesis binaria. Después adapta parámetros de transmisión como frecuencia, potencia y modulación según observaciones en tiempo real, y cede la banda cuando el usuario primario regresa.
¿Cuáles son las principales técnicas de sensado de espectro?
Las técnicas comunes incluyen detección de energía, filtro adaptado o detección coherente, y detección de características cicloestacionarias. La detección de energía es la más simple pero rinde mal a bajo SNR, mientras que los métodos estadísticos y de aprendizaje automático usan características de la señal para mejorar la precisión de detección.
¿Qué métricas evalúan el desempeño del sensado de espectro?
La investigación en sensado de espectro enfatiza dos métricas principales: la probabilidad de detección (Pd) y la probabilidad de falsa alarma (Pfa). El sensado cooperativo, donde los agentes envían resultados a un Fusion Center, se usa para mejorar ambas métricas y reducir la incertidumbre de un solo sensor.