DISCO6G-CM (TEC-2024/COM-360)

El proyecto Desarrollo e Integración de Sensores y Comunicaciones para servicios avanzados en 6G (DISCO6G) se enfoca en el diseño e implementación de un sistema integrado de sensorización y comunicaciones que cubre las diferentes capas de un sistema 6G-RAN (Radio Access Network). La idea fundamental es el desarrollo del paradigma ISAC (Integrated Sensing and Communications) dentro de las nuevas redes B5G/6G aprovechando la oportunidad que supone el uso de frecuencias de ondas milimétricas y submilimétricas (necesarios para un mayor ancho de banda), que requieren un conocimiento más detallado del canal de comunicaciones que también se puede utilizar para sensorización. Esta nueva información de sensorización se puede usar en sistemas de transporte y biomédicos, ya que comparten la necesidad de un sistema robusto y fiable que asegure la correcta comunicación de datos y facilita que los desarrollos realizados en el proyecto sean aplicables a ambos casos simultáneamente.

El consorcio interuniversitario está formado por los grupos GREMA-UC3M, NETCOM-UC3M, GIROS-UPM, GRC-UPM, IPMEC-UC3M, NANOBIG-UAM, y WNS-IMDEA. Se ha creado teniendo en cuenta perfiles de capa física, arquitectura de red, y biomedicina. La siguiente figura conceptual resume los objetivos científico-técnicos del proyecto.

Figura conceptual DISCO6G

Logos participantes

Noticias

27 de enero de 2026	Reunión de seguimiento de todos los beneficiarios. Puedes encontrar el acta aquí..

Publicaciones seleccionadas

Enhanced U-Net Architectures for Accurate Room Impulse Response Generation via Differential-Phase Learning

Ignacio Martin-Salinas, Gema Piñero, Jose A. Belloch, and Adrian Amor-Martin

EURASIP Journal on Audio, Speech, and Music Processing, Nov 2025

Abs DOI

Generating accurate room impulse responses (RIRs) remains challenging, particularly regarding phase estimation. Building upon previous work utilizing encoder-decoder deep learning architectures, this paper investigates advanced techniques to improve phase prediction accuracy. We propose and evaluate several enhanced U-Net models, including variants with a variational autoencoder (VAE) bottleneck and differing input conditioning methods for spatial and room parameters (embedding layers vs. normalized dense layers). A key focus is the comparison between predicting direct phase and differential phase. Furthermore, we analyze the impact of using mean absolute error (MAE) versus mean squared error (MSE) for the magnitude component of the loss function. The study also explores the efficacy of applying the Griffin-Lim algorithm as a post-processing step to refine the phase estimated by the networks. Performance is evaluated on a real RIR dataset, comparing the different model architectures, information vector encoding strategies, phase targets (direct vs. differential), loss functions, and the contribution of phase recovery algorithms to overall RIR fidelity. Results provide insights into effective strategies for enhancing phase generation in data-driven RIR synthesis.