Optimización del sesgo de CC en sistemas inteligentes DCO-OFDM Li-Fi mediante aprendizaje automático híbrido con validación en hardware

Internet basado en luz para espacios cotidianos

Imagínese que las luces de su habitación no solo iluminan el espacio, sino que además transmiten películas a su portátil y teléfono a velocidades muy altas. Esa es la promesa del Li-Fi, una tecnología que utiliza la luz en lugar de las ondas de radio para la transmisión inalámbrica de datos. Este artículo aborda un ajuste técnico sutil pero crucial en los transmisores Li-Fi: cuánto componente de luz continua, o sesgo de CC, debe añadirse a la señal de datos. Empleando métodos inteligentes de aprendizaje automático y pruebas en hardware real, se busca que el Li‑Fi sea más rápido, eficiente y fiable.

Por qué la luz puede superar al Wi‑Fi

El Wi‑Fi convencional depende de ondas de radio que atraviesan paredes, comparten bandas de frecuencia saturadas y pueden ser susceptibles a interferencias y problemas de seguridad. El Li‑Fi, en cambio, emplea infrarrojos para el enlace de regreso desde los dispositivos y luz visible para enviar datos desde las luminarias del techo. Dado que la luz no atraviesa las paredes, un enlace Li‑Fi puede quedar naturalmente confinado a una sola habitación, lo que reduce la interferencia y mejora la privacidad. Además aprovecha una porción enorme y no licenciada del espectro, permitiendo tasas de datos muy elevadas. Esto convierte al Li‑Fi en un ingrediente atractivo para las futuras redes 6G, entornos hospitalarios donde se restringen las emisiones de radio y cualquier escenario que requiera iluminación y conectividad de alta velocidad.

El papel oculto de un brillo constante

En el fondo, muchos sistemas Li‑Fi usan una técnica llamada DCO‑OFDM para empaquetar gran cantidad de datos en la salida luminosa de un LED. La señal eléctrica cruda producida por este método oscila por encima y por debajo de cero, pero los LED solo pueden emitir con intensidad no negativa. Por eso los ingenieros añaden un desplazamiento constante—sesgo de CC—para elevar toda la forma de onda y luego recortan las porciones negativas restantes. Si el sesgo es demasiado pequeño, las partes negativas se recortan intensamente, introduciendo ruido y errores. Si es demasiado grande, el LED desaprovecha energía en brillo inútil en lugar de transmitir datos. El punto óptimo depende de varios factores, incluida la codificación de la señal y el ruido del enlace, y los métodos convencionales de optimización pueden ser lentos o difíciles de adaptar a condiciones cambiantes.

Enseñar al sistema a ajustarse solo

Para permitir que el transmisor Li‑Fi “aprenda” su propio nivel óptimo de sesgo, los autores construyeron un conjunto de datos mediante simulaciones por ordenador detalladas de señales DCO‑OFDM. Para cada señal generada calcularon características numéricas simples como los valores mínimo y máximo de la forma de onda, su nivel medio, su variabilidad y la tasa de error tras la transmisión. Estos resúmenes, junto con parámetros del sistema como el tamaño de la constelación y el número de subportadoras, formaron las entradas para modelos de aprendizaje automático entrenados para predecir el sesgo de CC ideal que equilibra errores y consumo de potencia. El equipo exploró varios enfoques híbridos que combinan la regresión clásica, que ajusta curvas suaves, con K‑Nearest Neighbors (KNN), que consulta ejemplos pasados similares. Compararon distintas combinaciones y midieron qué tan bien las predicciones de sesgo coincidían con el óptimo real, usando métricas de precisión estándar.

De los modelos por ordenador al hardware real

Más allá de las simulaciones, los investigadores montaron un pequeño enlace Li‑Fi de laboratorio usando un LED de alta luminosidad como transmisor, un fotodiodo como receptor y un circuito basado en Arduino para captar señales reales a corta distancia en interiores. Se extrajeron los mismos tipos de características de señal de este montaje de hardware, creando un segundo conjunto de datos que refleja ruido real, imperfecciones y efectos ambientales. Sin reentrenar, se pidió a los modelos de aprendizaje automático entrenados con datos simulados que predijeran el mejor sesgo de CC para estas mediciones reales. Este paso es crítico, porque muchos estudios anteriores se detuvieron en experimentos por ordenador y no demostraron que sus métodos resistan la complejidad del mundo físico.

Sesgado más inteligente para futuras habitaciones Li‑Fi

El resultado más destacado es que un modelo híbrido que combina regresión polinómica con KNN produjo las predicciones más precisas y robustas. Logró una alta concordancia con el óptimo real en simulaciones y mantuvo un rendimiento sólido cuando se aplicó directamente al enlace Li‑Fi basado en Arduino. En términos prácticos, esto significa que un sistema Li‑Fi equipado con dicho modelo podría ajustar automáticamente el nivel de sesgo correcto a medida que cambian las condiciones, minimizando luz desperdiciada y distorsión de la señal sin necesidad de ajustes manuales constantes. Aunque las pruebas en hardware actuales cubren solo distancias cortas y escenarios interiores simplificados, el enfoque apunta hacia redes Li‑Fi inteligentes y autooptimizadas donde las luminarias del techo se ajustan discretamente para ofrecer datos seguros y de alta velocidad junto con la iluminación cotidiana.

Cita: Abdelhakim, E., Ragab, D.A., Abaza, M. et al. DC bias optimization in intelligent DCO-OFDM Li-Fi systems using hybrid machine learning with hardware validation. Sci Rep 16, 14658 (2026). https://doi.org/10.1038/s41598-026-49732-4

Palabras clave: Li-Fi, comunicaciones por luz visible, aprendizaje automático, OFDM, redes inalámbricas