En làmbit de les comunicacions sense fils i la navegació per satèl·lit, la interferència radioelèctrica —ja sigui intencionada mitjançant suplantació o bloqueig, o accidental per condicions de l’entorn— representa un dels desafiaments més crítics per a la integritat i disponibilitat dels senyals. L’estimació precisa de l’angle d’arribada (AoA) d’un senyal és una tècnica fonamental per detectar i localitzar fonts anòmales. Tanmateix, els entorns reals rarament ofereixen condicions ideals de línia de visió (LoS). La propagació multicamí en escenaris sense línia de visió (NLoS) introdueix distorsions que degraden significativament el rendiment dels mètodes clàssics i dels enfocaments purament basats en dades.
Per superar aquesta limitació, sorgeix un enfocament prometedor: l’aprenentatge híbrid que combina xarxes profundes amb restriccions físiques conegudes. En lloc de tractar la xarxa neuronal com una caixa negra, s’incorpora un model d’ona plana que imposa coherència entre les diferències de fase entre antenes i els angles predits. Això permet que el model aprengui representacions invariants a l’entorn sota condicions LoS, mentre s’adapta a la variabilitat del multicamí en NLoS. A més, s’introdueix un classificador a l’espai latent que distingeix entre mostres LoS i NLoS, aplicant la pèrdua basada en física només a les primeres per no sobrecarregar l’aprenentatge en escenaris complexos. L’ús d’aprenentatge incremental per dominis (DIL) permet generalitzar a través d’entorns NLoS amb diferents distribucions de dispersors, aconseguint reduccions d’error de fins a 6° en configuracions amb pocs exemples.
Aquest tipus d’arquitectura híbrida no només millora la robustesa de l’estimació AoA, sinó que obre la porta a aplicacions crítiques com la localització d’interferències en sistemes de comunicacions mòbils, defensa o infraestructures crítiques. Perquè aquestes solucions siguin viables en producció, es requereix un desenvolupament de programari a mida que integri models d’intel·ligència artificial amb processament de senyals en temps real. A Q2BSTUDIO, acompanyem les empreses en la creació d’aplicacions a mida que aprofiten tècniques d’intel·ligència artificial per resoldre problemes complexos de localització i detecció. El nostre equip també ofereix serveis cloud aws i azure per desplegar aquests models a escala, així com serveis intel·ligència de negoci que permeten visualitzar i analitzar les dades d’interferències mitjançant eines com power bi.
A més, la incorporació d’agents IA autònoms capaços de reconfigurar antenes o canviar freqüències en resposta a interferències representa una evolució natural d’aquesta tecnologia. En entorns on la ciberseguretat és prioritaria, com en la protecció de senyals de navegació o comunicacions militars, l’estimació robusta d’AoA es converteix en un pilar per contrarestar atacs de suplantació. Des de Q2BSTUDIO oferim ia per a empreses especialitzada en solucions de percepció i localització, combinant experiència en maquinari de radiofreqüència amb algoritmes de deep learning. La clau està no només en entendre el problema físic, sinó en implementar sistemes que operin de manera fiable sota condicions reals, on el multicamí i les interferències són la norma, no l’excepció.
