🔢 mathematics

When Simultaneous Localization and Mapping Meets Wireless Communications: A Survey

Este artículo examina la integración bidireccional de la Localización y Mapeo Simultáneos (SLAM) y las comunicaciones inalámbricas, destacando cómo el SLAM visual puede aprovechar los datos de RF para la resolución de escala mientras que las redes inalámbricas se benefician de la odometría visual, delineando finalmente las técnicas actuales, los desafíos y el potencial futuro de los sistemas conjuntos de comunicación y SLAM.

Autores originales: Konstantinos Gounis, Sotiris A. Tegos, Dimitrios Tyrovolas, Panagiotis D. Diamantoulakis, George K. Karagiannidis

Publicado 2026-05-22

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Konstantinos Gounis, Sotiris A. Tegos, Dimitrios Tyrovolas, Panagiotis D. Diamantoulakis, George K. Karagiannidis

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 intentas navegar por una habitación oscura y llena de niebla mientras sostienes una linterna. Necesitas saber dos cosas al mismo tiempo: dónde estás y cómo se ve la habitación. Este es el desafío central de SLAM (Localización y Mapeo Simultáneos).

Durante mucho tiempo, los robots y los coches autónomos han intentado resolver esto utilizando solo una herramienta: sus "ojos" (cámaras). Esto se llama SLAM Visual. Pero las cámaras tienen límites. Si está demasiado oscuro, si hay un espejo o si la cámara se cubre de barro, el robot se pierde.

Este artículo es una gran revisión de lo que sucede cuando dejamos de depender solo de los ojos y comenzamos a usar los "oídos" y la "piel" del robot para sentir el aire que lo rodea, específicamente, señales inalámbricas (como Wi-Fi, 5G y 6G). Los autores argumentan que combinar estos dos sentidos crea un sistema de navegación superpotente.

Aquí tienes un desglose de las ideas principales del artículo utilizando analogías simples:

1. Los dos mejores amigos: Ojos y ondas de radio

Piensa en un robot como una persona que intenta encontrar su camino en un laberinto.

Los Ojos (SLAM Visual): Son excelentes para ver detalles. Pueden detectar una puerta roja o una silla específica. Pero tienen dificultades si se apagan las luces o si el robot se mueve demasiado rápido y la imagen se desenfoca. Además, las cámaras a menudo se confunden con la escala. Podrían ver un coche de juguete y pensar que es un coche real porque no pueden determinar la distancia sin una referencia.
La Radio (Sensores inalámbricos): Esto es como tener un sonar o un radar. Rebotan señales en las paredes y miden cuánto tardan en regresar. No les importa si está oscuro o si el robot se mueve rápido. Pueden decirte exactamente qué tan lejos está una pared.

La gran idea del artículo: Si los combinas, las señales de radio actúan como una "regla" para la cámara. La radio le dice a la cámara: "Ese objeto está a 5 metros de distancia", lo cual corrige la confusión de la cámara sobre el tamaño y la distancia. A la inversa, la cámara puede ayudar a la radio identificando qué está rebotando la señal (por ejemplo: "Eso es un coche, no una pared"), ayudando a la radio a predecir hacia dónde irá la señal a continuación.

2. Pasivo vs. Activo: Escuchar vs. Bailar

El artículo divide este trabajo en equipo en dos estilos:

SLAM Pasivo (El oyente): El robot simplemente avanza, escuchando las señales de radio y mirando a través de la cámara. Utiliza los datos que recibe naturalmente para construir un mapa. Es como caminar por una habitación y simplemente notar dónde está el mobiliario sin tocar nada.
SLAM Activo (El bailarín): Aquí es donde se vuelve inteligente. El robot se da cuenta: "No estoy seguro de dónde está esa esquina". Así que, deliberadamente, cambia su trayectoria o apunta su antena en una dirección específica para obtener una mejor señal. Es como un detective que camina por una escena del crimen específicamente para obtener un mejor ángulo sobre una pista. El robot se mueve a propósito para hacer su mapa más preciso o para obtener una señal Wi-Fi más fuerte.

3. El "Gemelo Digital" y el "Mapa Fantasma"

El artículo menciona que podemos crear un Gemelo Digital. Imagina una versión de videojuego del mundo real que se actualiza en tiempo real.

El robot envía sus fotos de cámara y datos de radio a una computadora potente (en la "nube" o en el borde).
Esa computadora construye un mapa 3D perfecto de la habitación.
Este mapa se envía de vuelta al robot instantáneamente.
Incluso si la cámara del robot está bloqueada por una caja, el "Gemelo Digital" sabe que la caja está allí porque las señales de radio rebotaron en ella. El robot puede "ver" a través de la caja utilizando el mapa.

4. La "Superficie Inteligente" (RIS)

El artículo habla de una nueva tecnología llamada Superficies Inteligentes Reconfigurables (RIS). Imagina una pared cubierta de miles de pequeños espejos inteligentes.

En los viejos tiempos, si una señal golpeaba una pared, simplemente rebotaba aleatoriamente.
Con estos espejos inteligentes, podemos programar la pared para captar una señal y reflejarla exactamente donde queremos que vaya.
El artículo sugiere que estas paredes pueden ayudar realmente a los robots a mapear la habitación. La pared actúa como un ayudante, rebotando señales alrededor de las esquinas para que el robot pueda "ver" áreas que antes no podía ver.

5. Los desafíos (¿Por qué no está esto en todas partes todavía?)

Aunque esto suena perfecto, el artículo señala tres grandes obstáculos:

La habitación con niebla (Dinámicas): La vida real es desordenada. La gente camina, las luces parpadean y los coches se mueven. El mapa del robot puede confundirse si las cosas cambian demasiado rápido.
El cerebro cansado (Latencia y Energía): Procesar todos estos datos (imágenes + señales de radio) requiere mucha energía y tiempo. Si el robot tarda demasiado en pensar, podría chocar. Si usa demasiada batería, deja de funcionar.
El espía (Seguridad): Si un hacker puede engañar la radio o la cámara del robot, puede hacer que el robot piense que una pared es una puerta, lo que lleva a un choque. El artículo advierte que necesitamos proteger estos sistemas para que no sean engañados.

Resumen

Este artículo es un mapa de ruta para el futuro de los coches autónomos y los robots. Dice: "Deja de intentar navegar con solo un sentido".

Al enseñar a los robots a usar sus cámaras (para ver detalles) y sus antenas de radio (para medir la distancia y ver a través de obstáculos) juntos, podemos construir sistemas que sean más seguros, más inteligentes y capaces de navegar en la oscuridad, en la niebla o incluso cuando se apagan las luces. Se trata de convertir las ondas de radio invisibles en un mapa visible y de utilizar el movimiento del robot para hacer que las señales de radio sean más inteligentes.

Resumen Técnico: Cuando la Localización y Mapeo Simultáneos (SLAM) se Encuentran con las Comunicaciones Inalámbricas: Una Revisión

Planteamiento del Problema
El artículo aborda la intersección emergente entre la Localización y Mapeo Simultáneos (SLAM) y las comunicaciones inalámbricas, una convergencia impulsada por la proliferación de equipos comerciales de sensado inalámbrico y los avances en sistemas autónomos inteligentes. Si bien el SLAM ha dependido tradicionalmente de sensores visuales (RGB, LiDAR) e inerciales, y las comunicaciones inalámbricas han evolucionado para ofrecer conectividad de alta frecuencia y baja latencia, ambos dominios se han desarrollado en gran medida en paralelo. El problema central es la falta de un marco unificado que aproveche el impacto bidireccional entre estos campos. Específicamente, existe la necesidad de comprender cómo las señales inalámbricas (RF, mmWave, WiFi) pueden resolver limitaciones en el SLAM visual (tales como la ambigüedad de escala y la pérdida de características en entornos sin textura) y, a la inversa, cómo la odometría visual y la detección de hitos pueden optimizar los objetivos de comunicación inalámbrica (como la alineación de haces y el modelado de canales). El artículo también destaca la brecha en la literatura existente, que a menudo trata la localización inalámbrica o el SLAM de forma aislada en lugar de como un sistema acoplado de percepción-estimación-control.

Metodología
Los autores realizaron una revisión exhaustiva utilizando una estrategia de búsqueda bibliográfica en tres pasos que involucró la base de datos Scopus, una revisión manual de IEEE Communications Surveys & Tutorials (2018–2025) y un cribado de listas de referencias. La revisión se estructura en torno a tres ejes temáticos principales:

Fundamentos del SLAM en Sistemas Autónomos en Red: El artículo define una arquitectura multinivel (capas de Interacción, Sensado, Estimación, Inferencia y Coordinación) para contextualizar cómo opera el SLAM dentro de entornos en red. Distingue entre SLAM Pasivo (inferir movimiento y estructura a partir de flujos de datos existentes sin sondeo deliberado) y SLAM Activo (donde las entradas de control se optimizan para reducir la incertidumbre de estimación o mejorar las métricas de comunicación).
Métodos de SLAM y Técnicas Basadas en Modalidades: La revisión categoriza y analiza enfoques matemáticos y algorítmicos, incluidos métodos probabilísticos (filtros bayesianos, filtros de partículas, gráficos de factores), SLAM basado en gráficos y SLAM basado en campos vectoriales. Además, revisa modalidades de sensores como Inercial, LiDAR, Odometría Visual de Rango y localización basada en RSSI de múltiples agentes.
SLAM Habilitado por Inalámbricos y 6G: Esta sección examina la integración de tecnologías inalámbricas en las tuberías de SLAM. Cubre el SLAM inalámbrico basado en Redes Neuronales Profundas (DNN) (SLAM de Acoplamiento Profundo, Percepción Conjunta Semántica y Espacial Profunda), la extracción de mapas de radio mediante sensado mmWave, la huella digital WiFi, el sensado basado en dispositivos (ISAC) y el SLAM asistido por Superficies Inteligentes Reconfigurables (RIS).

Contribuciones Clave

Marco Unificado para el Impacto Bidireccional: El artículo sintetiza hilos de investigación en un marco unificado que demuestra cómo las señales inalámbricas aumentan el vector de estado del vehículo y cómo la información visual ayuda al modelado de canales inalámbricos. Mapea explícitamente la relación bidireccional: las señales RF/mmWave sirven como proxies para la resolución de escala en el SLAM visual monococular, mientras que la odometría visual ayuda en la predicción óptima de trayectorias geométricas para canales inalámbricos.
Taxonomía de SLAM Activo vs. Pasivo: Los autores proporcionan una distinción detallada entre el SLAM pasivo (donde las señales de retroalimentación de comunicación preservan la conectividad mientras transmiten información geométrica) y el SLAM activo (donde el control de movimiento se optimiza para reducir la incertidumbre de los hitos o mejorar la alineación de haces).
Formulaciones Matemáticas: La revisión detalla modelos matemáticos específicos, incluidos:
- Geometría Epipolar y Ambigüedad de Escala: Cómo las entradas de movimiento métrico de la odometría inalámbrica (ToA, AoA, RSS) pueden resolver el factor de escala ( $\lambda_k$ ) en el SLAM visual monococular.
- Formulación de Control Activo: La derivación de entradas de control ( $u_k$ ) para minimizar la traza de la matriz de covarianza posterior, vinculando efectivamente la reducción de la incertidumbre de estimación con objetivos de comunicación como la dirección óptima de haces.
- SLAM de Campo Vectorial: Modelar las variaciones espaciales en señales continuas (por ejemplo, RSS de WiFi) como campos vectoriales para permitir el mapeo sin la extracción explícita de hitos.
Análisis Comparativo: A través de la Tabla I y la Tabla II, el artículo compara cuantitativamente su alcance con revisiones representativas (por ejemplo, Zeng et al., Italiano et al., Shastri et al.), demostrando su cobertura única de la integración conjunta visión-inalámbrica, el modelado matemático y los paradigmas de SLAM tanto pasivo como activo.

Resultados y Hallazgos

Complementariedad de Modalidades: La revisión encuentra que el SLAM visual monococular se beneficia significativamente de las señales RF/mmWave para la resolución de ambigüedad de escala. A la inversa, las redes 5G y posteriores pueden aprovechar la odometría visual y la detección de hitos para predecir la geometría del canal y optimizar la alineación de haces.
Tecnologías Emergentes:
- Aprendizaje Profundo: Los enfoques basados en DNN (por ejemplo, DC-SLAM) muestran un rendimiento superior en entornos NLOS en comparación con los métodos probabilísticos tradicionales, logrando precisiones de posicionamiento promedio de 0.11 m en entornos interiores.
- SLAM Asistido por RIS: El artículo discute "MetaSLAM", donde los RIS actúan como nodos distribuidos que proporcionan servicios de SLAM, y "LeRIS" (RIS emisor de luz) que utiliza anclajes ópticos para la localización.
- Imagen Tomográfica de Radio (RTI): Sistemas como UBIQMAP demuestran la capacidad de mapear entornos más allá de la línea de visión (LOS) utilizando la atenuación de RF, complementando el SLAM tradicional de LiDAR/visual.
Desafíos Identificados: El artículo identifica cuatro desafíos principales que obstaculizan la implementación generalizada:
1. Dinámica del Entorno: Objetos en movimiento y oclusiones variables en el tiempo causan inconsistencias entre las modalidades visuales e inalámbricas.
2. Latencia: Es difícil cumplir con restricciones estrictas de tiempo real debido a los retrasos de procesamiento en sensores de alta resolución y la sobrecarga de comunicación en sistemas en red.
3. Eficiencia Energética: Las altas cargas computacionales para la extracción de características y las actualizaciones frecuentes de CSI crean demandas significativas de energía para plataformas móviles.
4. Seguridad y Privacidad: Los sistemas de SLAM en red son vulnerables a ataques adversarios (suplantación, interferencia) y plantean preocupaciones de privacidad con respecto al intercambio de datos espaciales y de trayectoria.

Significado y Afirmaciones
El artículo afirma que la intersección del SLAM y las comunicaciones inalámbricas forma un paradigma fundamental para sistemas de vehículos robóticos y autónomos inteligentes habilitados por 6G. Argumenta que, si bien surgen avances teóricos y prácticos, las soluciones integradas que realizan comunicaciones y localización conjuntas están actualmente en su infancia.

El significado de este trabajo radica en su papel como punto de referencia interdisciplinario. Plantea que los futuros sistemas autónomos en red requerirán un cambio de tratar la localización y la conectividad como funciones separadas hacia un enfoque unificado de "Sensado y Comunicaciones Integrados" (ISAC). Los autores sugieren que los avances teóricos y prácticos en esta intersección podrían agregar capacidades de localización de nivel superior y percepción semántica a las tecnologías RF/mmWave y de múltiples antenas, apoyando finalmente la navegación segura, el control de retroalimentación de estado robusto y la optimización de redes en tiempo real. El artículo concluye modestamente que, aunque existen resultados prometedores, las soluciones totalmente integradas requieren más investigación en fusión heteromodal, estimación distribuida y computación impulsada por el borde.