🔢 mathematics

A Robust 5G Terrestrial Positioning System with Sensor Fusion in GNSS-denied Scenarios

Este artículo presenta un sistema de posicionamiento terrestre robusto basado en infraestructura 5G que, mediante la fusión de sensores, la resolución de ambigüedad entera y el aprendizaje profundo para identificar enlaces NLOS, logra una precisión de menos de 5 metros en entornos urbanos sin señal GNSS, ofreciendo una alternativa viable a los servicios de navegación por satélite.

Autores originales: Hamed Talebian, Nazrul Mohamed Nazeer, Darius Chmieliauskas, Jakub Nikonowicz, Mehdi Haghshenas, Łukasz Matuszewski, Mairo Leier, Aamir Mahmood

Publicado 2026-04-08

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hamed Talebian, Nazrul Mohamed Nazeer, Darius Chmieliauskas, Jakub Nikonowicz, Mehdi Haghshenas, Łukasz Matuszewski, Mairo Leier, Aamir Mahmood

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás conduciendo por una ciudad enorme y moderna, pero de repente, el GPS de tu coche deja de funcionar. ¿Por qué? Porque estás en un "cañón" de edificios altos que bloquean las señales de los satélites, o quizás alguien está interfiriendo con ellas. En el mundo real, esto es un problema grave para coches autónomos, drones y sistemas de emergencia.

Este paper (artículo científico) propone una solución brillante: usar la red 5G de tu teléfono móvil no solo para navegar por internet, sino para saber exactamente dónde estás, incluso cuando el GPS falla.

Aquí te explico cómo funciona este sistema, usando analogías sencillas:

1. El Problema: El GPS se pierde en la ciudad

El GPS es como un faro en el cielo. Si hay nubes o edificios altos, la luz no llega. En las ciudades, los satélites a menudo están "ciegos" para los coches que circulan por las calles.

2. La Solución: Usar las Torres de Celular como Faros

En lugar de mirar al cielo, el sistema mira a las torres de telefonía 5G que hay en las calles.

La analogía: Imagina que las torres 5G son como faros en un puerto. Si tienes al menos tres faros encendidos y puedes verlos claramente (sin que un edificio los tape), puedes calcular tu posición con mucha precisión.
El truco de precisión: El sistema no solo mide cuánto tarda la señal en llegar (como un cronómetro), sino que mide la fase de la onda de la señal (como contar los "giros" exactos de una hélice). Esto permite una precisión de centímetros, igual que un GPS de alta gama.

3. El Reto: Las Mentiras de la Señal (NLOS)

Aquí está la parte difícil. A veces, la señal de la torre no llega directa a tu coche; rebota en un edificio antes de llegar.

La analogía: Es como si alguien te gritara desde detrás de una esquina. Si intentas calcular la distancia basándote en el eco, pensarás que la persona está más lejos de lo que realmente está. En términos técnicos, esto se llama NLOS (No Línea de Vista).
El Detective de IA: Para solucionar esto, los autores crearon un detective con cerebro de IA (un modelo de aprendizaje profundo). Este detective escucha la señal y dice: "¡Esta señal ha rebotado! ¡Es una mentira! No la uses". Solo deja pasar las señales que vienen en línea recta (LOS), asegurando que el cálculo de posición sea correcto.

4. El Plan B: Cuando todo se oscurece

¿Qué pasa si estás en un túnel o entre edificios tan altos que no ves ninguna torre? El sistema de 5G se queda sin datos.

La analogía: Es como si el detective se quedara ciego. Pero no te preocupes, el coche tiene otros sentidos.
El Equipo de Apoyo: El sistema se conecta con dos sensores que ya traes en el coche:
1. Cámaras (Odometría Visual): Como los ojos del coche, que miran las calles y calculan cuánto te has movido.
2. Acelerómetro y Giroscopio (IMU): Como el "sentido del equilibrio" interno, que siente si te mueves rápido, lento o giras.
El Director de Orquesta (Fusión de Sensores): Un algoritmo inteligente (un filtro matemático) combina todo: "Si el 5G dice que estás aquí, pero las cámaras dicen que te moviste hacia allá, el sistema calcula la mejor posición posible". Esto permite que el coche siga sabiendo dónde está incluso sin señal de 5G por un momento.

5. El Resultado: ¡Funciona!

Los autores probaron este sistema usando datos reales de un coche conduciendo por una ciudad (un conjunto de datos famoso llamado KITTI).

El veredicto: El sistema logró mantener un error de menos de 5 metros incluso en las peores condiciones de la ciudad.
La comparación: ¡Eso es tan preciso como los servicios de GPS comerciales que usamos hoy en día!

En resumen

Este paper nos dice que no necesitamos depender solo de los satélites. Podemos convertir nuestra red de telefonía móvil en un sistema de navegación robusto, usando inteligencia artificial para filtrar las señales falsas y sensores de coche para rellenar los huecos cuando la señal falla. Es como tener un sistema de navegación con "doble visión" que no se rinde fácilmente ante los edificios de la ciudad.

Aquí presento un resumen técnico detallado del artículo "A Robust 5G Terrestrial Positioning System with Sensor Fusion in GNSS-denied Scenarios", estructurado según los puntos solicitados.

1. Planteamiento del Problema

El sistema de navegación global por satélite (GNSS) es la tecnología estándar para la localización, pero presenta una vulnerabilidad crítica: es susceptible a bloqueos, interferencias y denegación de señal (jamming), especialmente en entornos urbanos densos o interiores donde las señales se degradan o pierden. La dependencia exclusiva del GNSS es un riesgo para aplicaciones críticas como la conducción autónoma, la automatización industrial y la realidad aumentada.

Aunque las redes celulares 5G ofrecen una infraestructura alternativa, los métodos de posicionamiento tradicionales (basados en intensidad de señal RSS, tiempo de llegada TOA, etc.) sufren significativamente en condiciones de no línea de vista (NLOS) y entornos con multipath rico. Además, las técnicas de alta precisión basadas en fase de portadora (Carrier Phase - CP), que prometen precisión centimétrica, enfrentan desafíos técnicos como la resolución de la ambigüedad entera y la necesidad de identificar y descartar enlaces NLOS que corrompen las mediciones.

2. Metodología Propuesta

El artículo propone un sistema de posicionamiento terrestre híbrido y robusto que opera sobre infraestructura 5G existente, diseñado para funcionar cuando el GNSS no está disponible. La arquitectura se basa en tres pilares fundamentales integrados:

A. Posicionamiento por Fase de Portadora (CPP) con Longitud de Onda Virtual

Para lograr precisión centimétrica sin depender de asistencia externa de la red (RAN) para resolver ambigüedades:

Enfoque Multi-frecuencia: Utiliza mediciones de fase en múltiples portadoras (subportadoras) para crear una "longitud de onda virtual" ( $\lambda_v$ ).
Resolución de Ambigüedad: Al calcular la diferencia de fase entre dos frecuencias ( $\Delta f$ ), se genera una longitud de onda virtual mucho mayor que la de las portadoras individuales. Si la distancia entre el usuario (UE) y la estación base (BS) es menor que $\lambda_v$ , la ambigüedad entera se resuelve automáticamente sin necesidad de algoritmos complejos de búsqueda.
Procesamiento de Fase: Se emplea un promedio lineal de las diferencias de fase desenvueltas (phase unwrapping) a través de múltiples subportadoras, en lugar de promedios vectoriales ponderados por amplitud, para mitigar el sesgo causado por reflexiones especulares en entornos urbanos (UMi).

B. Clasificación de Enlaces LOS/NLOS mediante Aprendizaje Profundo

Dado que el CPP requiere condiciones de línea de vista (LOS) para ser preciso:

Modelo T-CNN: Se desarrolla una Red Neuronal Convolucional Temporal (T-CNN) ligera.
Entrada: Utiliza la Respuesta al Impulso del Canal (CIR) derivada de las Señales de Referencia de Sondeo (SRS) recibidas.
Funcionamiento: La red analiza patrones temporales en el dominio de la frecuencia para distinguir entre señales directas (LOS) y reflejadas (NLOS) en tiempo real.
Decisión Suave: Incorpora una métrica de confianza ( $\kappa$ ) para descartar enlaces NLOS antes de la trilateración, evitando que mediciones corruptas degraden la posición.

C. Fusión de Sensores (Fusión de Datos)

Para mantener la continuidad del posicionamiento cuando la visibilidad de LOS se pierde:

Filtro EKF de Estado de Error (ES-EKF): Se utiliza un Filtro de Kalman Extendido de Estado de Error para fusionar datos heterogéneos.
Sensores Integrados:
- CPP: Proporciona actualizaciones de posición absoluta cuando hay $\ge$ 3 BS en LOS.
- Odometría Visual Estéreo (VO): Estima el movimiento basándose en cámaras, corrigiendo la deriva a corto plazo.
- Unidad de Medición Inercial (IMU): Proporciona aceleración y velocidad angular para estimar el movimiento entre actualizaciones de posición.
Estrategia: El sistema transita suavemente entre el posicionamiento basado en 5G (cuando está disponible) y la estimación inercial/visual (cuando el 5G falla o es NLOS), manteniendo la traza de la trayectoria.

3. Contribuciones Clave

Marco de Posicionamiento Independiente: Propone un sistema que resuelve la ambigüedad entera de la fase de portadora puramente mediante análisis multi-frecuencia, eliminando la dependencia de asistencia externa de la red.
Clasificación NLOS Basada en Datos: Introduce un modelo T-CNN optimizado con operaciones de stride para la reducción de resolución, logrando una alta precisión en la identificación de enlaces NLOS con baja complejidad computacional, superando a clasificadores tradicionales (SVM, Random Forest) y MLP.
Arquitectura de Fusión Robusta: Integra la odometría visual, IMU y CPP en un único marco ES-EKF, demostrando cómo mantener la precisión centimétrica incluso durante interrupciones de señal.
Planificación de Red Orientada al Posicionamiento: Demuestra mediante simulaciones (Sionna) que la planificación de redes 5G para posicionamiento requiere una densidad de celdas y una disposición de antenas diferentes a la optimizada solo para comunicación, priorizando la visibilidad de múltiples BS en LOS.

4. Resultados y Evaluación

El sistema se evaluó utilizando el conjunto de datos KITTI (vehículo en entorno urbano) y simulaciones basadas en el modelo de canal 3GPP TR 38.901 (UMi).

Precisión en Condiciones LOS: Cuando hay al menos tres estaciones base en línea de vista, el sistema logra una precisión de nivel centimétrico.
Impacto de la Clasificación NLOS: La exclusión de enlaces NLOS mediante el T-CNN reduce drásticamente el error de posicionamiento. En escenarios mixtos, el error se reduce de decenas de metros a menos de 5 metros.
Rendimiento de Fusión:
- La fusión de VO + IMU sola tiene un Error de Trayectoria Absoluta (ATE) de ~15.6 m.
- La integración de SRS/PRS + IMU + VO reduce el ATE a 4.63 m - 4.66 m.
- Este resultado es comparable a los servicios comerciales de GNSS públicos y supera a otros sistemas de última generación reportados en la literatura.
Robustez: El sistema mantiene la continuidad de la trayectoria incluso en zonas donde la señal 5G es bloqueada, gracias a la fusión con sensores visuales e inerciales.

5. Significado e Impacto

Este trabajo valida la viabilidad de utilizar redes 5G terrestres como una alternativa resiliente y de alta precisión al GNSS en escenarios donde las señales satelitales están denegadas o degradadas.

Aplicaciones Críticas: Ofrece una solución viable para vehículos autónomos, robótica industrial y sistemas de emergencia que no pueden permitirse perder la capacidad de localización.
Estandarización: Alinea sus métodos con las especificaciones 3GPP (Rel. 16 a Rel. 18), facilitando la implementación futura en redes comerciales.
Paradigma de Diseño: Cambia el enfoque de tratar el posicionamiento como un servicio secundario en las redes celulares, proponiendo una planificación de red y un procesamiento de señales diseñados específicamente para maximizar la precisión de localización.

En resumen, el artículo demuestra que, mediante la combinación de técnicas avanzadas de fase de portadora, aprendizaje profundo para la limpieza de datos y fusión de sensores, es posible lograr un sistema de posicionamiento terrestre robusto, preciso y continuo, capaz de operar en entornos urbanos desafiantes sin depender del GNSS.