[論文レビュー] A Robust Algorithm for Tile-based 360-degree Video Streaming with Uncertain FoV Estimation

Arnob Ghosh, Vaneet Aggarwal+1 more|arXiv (Cornell University)|Nov 30, 2018

Video Coding and Compression Technologies参考文献 22被引用数 6

ひとこと要約

本稿では、不安定な帯域幅と頭部の動きの不確実性を考慮した、タイルベースの360度ビデオストリーミングのためのロバストな確率的最適化アルゴリズム360-ROBUSTを提案する。クラウドソーシングによる視聴確率とフォーカス・オブ・ビジョン（FoV）予測を活用し、非凸な確率的最適化問題を定式化。緩和された凸解を用いて最適性ギャップが有界な解を得ることで、動的かつ最適なストリーミングレートを実現し、実際のユーザーのトレースを用いたエミュレーション環境で、ベースラインと比較して30%高いQoEと50%高いストリーミングレートを達成した。

ABSTRACT

We propose a robust scheme for streaming 360-degree immersive videos to maximize the quality of experience (QoE). Our streaming approach introduces a holistic analytical framework built upon the formal method of stochastic optimization. We propose a robust algorithm which provides a streaming rate such that the video quality degrades below that rate with very low probability even in presence of uncertain head movement, and bandwidth. It assumes the knowledge of the viewing probability of different portions (tiles) of a panoramic scene. Such probabilities can be easily derived from crowdsourced measurements performed by 360 video content providers. We then propose efficient methods to solve the problem at runtime while achieving a bounded optimality gap (in terms of the QoE). We implemented our proposed approaches using emulation. Using real users' head movement traces and real cellular bandwidth traces, we show that our algorithms significantly outperform the baseline algorithms by at least in $30\%$ in the QoE metric. Our algorithm gives a streaming rate which is $50\%$ higher compared to the baseline algorithms when the prediction error is high.

研究の動機と目的

• 変動する帯域幅と不確実なユーザーの頭部移動を考慮したロバストで帯域効率の良い360度ビデオストリーミングアルゴリズムの不足を解消すること。
• タイルベースの360度ビデオストリーミングにおいて、ストリーミングレート、チャンク間の品質変動、ストール時間の3つを統合的に最適化する包括的な分析フレームワークの構築。
• 理論的最適解に近い解を保証する有界な最適性ギャップを備えたソリューションを提供し、不確実性下でも高品質な再生を実現し、QoEの低下を高確率で最小限に抑えること。
• オンラインで低コストなアルゴリズム設計により、動的な帯域幅とFoVの変化にリアルタイムで適応できること。
• 実際のユーザーの頭部移動とセルラー帯域幅トレースを用いたエミュレーション環境で、アルゴリズムの優位性を実証的に検証すること。

提案手法

• 高い確率で最小ストリーミングレートを最大化すると同時に、ストール時間とチャンク間のレート変動を最小化するロバストな確率的最適化問題を定式化する。
• クラウドソーシングによる測定から得られる視聴確率とFoV予測を用いて、タイルの重要度をモデル化し、ストリーミングの優先順位を決定する。
• 元の非凸問題を緩和して凸問題に変換し、効率的な解の計算を可能にした後、緩和解を元の問題の実行可能解に再マッピングする。
• ウィンドウサイズWを用いたオンライン適応メカニズムを導入し、レート割り当て意思決定における慎重さ（conservatism）と攻撃的さ（greediness）のバランスをとる。
• 離散的かつ非凸な戦略空間においても性能損失が有界であることを保証する最適性ギャップの証明を採用する。
• 実際のTCP/IP転送、合成タイル、現実的なセルラートレースを用いたエミュレーションフレームワークにアルゴリズムを実装し、評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 不安定な帯域幅と予測不能なユーザーの頭部移動の下でも、360度ビデオストリーミングアルゴリズムがどのようにして高いQoEをロバストに維持できるか。
• RQ2 タイルベースの360度ビデオ配信において、ストリーミングレート、品質の一貫性、ストール時間の最適なトレードオフは何か。
• RQ3 非凸で離散的な戦略空間に確率的最適化を適用することで、性能損失が有界に保証される方法は何か。
• RQ4 ヒューリスティックまたはグリーディなアプローチと比較して、クラウドソーシングによる視聴確率は、ストリーミング効率をどの程度向上できるか。
• RQ5 ウィンドウサイズや帯域幅・FoVの予測誤差が、ストリーミングアルゴリズムのロバスト性とパフォーマンスに及ぼす影響はどの程度か。

主な発見

• 提案された360-ROBUSTアルゴリズムは、評価されたすべてのユーザートレースにおいて、ベースラインアルゴリズムと比較してQoEを最低30%向上させた。
• アルゴリズムはベースライン手法と比較して、ストリーミングレートを50%も向上させ、リバッファリングと品質の変動を顕著に低減した。
• ウィンドウサイズW=5のとき、アルゴリズムは最適なパフォーマンスを達成し、レート割り当てにおける攻撃的さと慎重さのバランスを最適にとった。
• 高い予測誤差が発生しても、アルゴリズムは高いパフォーマンスを維持した。帯域幅またはFoVの予測誤差が増加しても、QoEの低下はわずかにとどまった。
• ストール時間は、ベースライン手法と比較して最大35%短縮された。特にBA1のような非グリーディ戦略を用いた場合に顕著だった。
• 有界な最適性ギャップにより、離散的かつ非凸な意思決定変数が存在する状況でも、解が理論的最適解に近いことが保証された。