AriSe2: Future IoT Networks and Nano-networks (FINe)

AriSe2: Future IoT Networks and Nano-networks (FINe) es un proyecto de investigación desarrollado por el Grupo de Ingeniería Telemática de la Universidad Politécnica de Cartagena, enmarcado en el proyecto Intelligent Approaches for Non-conventional Communication Networks (AriSe) que coordina el Grupo de Tecnologías de la Información de la Universidad de Vigo y está financiado por el Ministerio de Ciencia e Innovación a través de la Agencia Estatal de Investigación como proyecto de I+D+i en la modalidad “Generación de Conocimiento”. AriSe se articula en torno a tres dominios de las tecnologías post-5G: redes de comunicaciones ultradensas, programabilidad de red, e inteligencia artificial. El sub-proyecto AriSe2-FINe se centra en tres tecnologías dentro de estos dominios: las redes IoT y las nano-redes; las técnicas de programación del plano de datos; y los mecanismos de control de red basados en IA. El objetivo de AriSe2-FINe es desarrollar propuestas innovadoras para hacer posible el despliegue de estas tecnologías, como el desarrollo de nuevos protocolos eficientes y robustos para las nano-redes, o nuevos enfoques para aplicar aprendizaje por refuerzo en redes preservando la QoS de los usuarios.

pexels-kabiur-rahman-riyad-13167319

AriSe2-FINe es el proyecto de I+D+i PID2020-116329GB-C22 financiado por el Ministerio de Ciencia e Innovación / Agencia Estatal de Investigación / 10.13039/501100011033

RESULTADOS DESTACADOS

Access_23_image
Transmission Control in NB-IoT With Model-Based Reinforcement Learning
In Narrowband Internet of Things (NB-IoT), the control of uplink transmissions is a complex task involving...
Ver más
Multihop-Routing_Nano_GA
Dynamic Multihop Routing in Terahertz Flow-Guided Nanosensor Networks: A Reinforcement Learning Approach
The Internet of Nano-Things (IoNT) is an emerg-ing paradigm in which devices sized to the nanoscale (nanon-odes)...
Ver más
Nano_Body_AN_Cario_Arch
Bridging Nano- and Body Area Networks: A Full Architecture for Cardiovascular Health Applications
Cardiovascular events occurring in the bloodstream are responsible for about 40% of human deaths in developed...
Ver más
TWC_g_abstract
Model-Based Reinforcement Learning with Kernels for Resource Allocation in RAN Slices
This paper addresses the dynamic allocation of RAN resources among network slices, aiming at maximizing...
Ver más
Multi-Agent_DRL-Connected_Vehicles
Multi-Agent Deep Reinforcement Learning to Manage Connected Autonomous Vehicles at Tomorrow's Intersections
In recent years, the growing development of Connected Autonomous Vehicles (CAV), Intelligent Transport...
Ver más