[論文レビュー] Learning-based Prediction and Uplink Retransmission for Wireless Virtual Reality (VR) Network

Xiaonan Liu, Xinyu Li+1 more|arXiv (Cornell University)|Dec 16, 2020

Advanced MIMO Systems Optimization参考文献 28被引用数 4

ひとこと要約

本稿では、無線VRネットワークにおけるオンライン学習ベースのビューポイント予測フレームワークを提案し、プロアクティブな上行リンク再送信を組み合わせることで、リアルタイムのユーザ行動に適応するGRUモデルを用いて予測精度を向上させる。シミュレーション結果から、オンラインGRUにプロアクティブな再送信を組み合わせた手法は5%未満の予測誤差を達成し、オフラインモデルや再送信なしの手法と比べ顕著に優れた性能を示した。

ABSTRACT

Wireless Virtual Reality (VR) users are able to enjoy immersive experience from anywhere at anytime. However, providing full spherical VR video with high quality under limited VR interaction latency is challenging. If the viewpoint of the VR user can be predicted in advance, only the required viewpoint is needed to be rendered and delivered, which can reduce the VR interaction latency. Therefore, in this paper, we use offline and online learning algorithms to predict viewpoint of the VR user using real VR dataset. For the offline learning algorithm, the trained learning model is directly used to predict the viewpoint of VR users in continuous time slots. While for the online learning algorithm, based on the VR user's actual viewpoint delivered through uplink transmission, we compare it with the predicted viewpoint and update the parameters of the online learning algorithm to further improve the prediction accuracy. To guarantee the reliability of the uplink transmission, we integrate the Proactive retransmission scheme into our proposed online learning algorithm. Simulation results show that our proposed online learning algorithm for uplink wireless VR network with the proactive retransmission scheme only exhibits about 5% prediction error.

研究の動機と目的

• 無線VRネットワークにおけるVRインタラクションの高遅延という課題に取り組み、ユーザーのビューポイントを事前に予測すること。
• 動的なユーザの頭部移動に適応できない静的オフラインモデルの限界を克服すること。
• リアルタイムの上行リンクフィードバックをオンライン学習アルゴリズムと統合することで、予測精度を向上させること。
• チャネルの変動によるデータ損失を低減するため、プロアクティブな再送信スキームを用いて上行リンクのビューポイント送信を信頼性高く保証すること。
• 1つの訓練済みモデルが複数のVR動画に一般化可能で、一貫した性能を示すことを実証すること。

提案手法

• 実際のVRデータセットを用いて、K分割交差検証を用いてn次元線形回帰（LR）、ニューラルネットワーク（NN）、ゲート付き再帰ユニット（GRU）をオフライン学習で訓練する。
• 実際のビューポイントフィードバックを上行リンク経由で受信することで、モデルパラメータを動的に更新するオンライン学習アルゴリズムを実装する。
• 上行リンクのビューポイント送信の信頼性を向上させるために、プロアクティブな再送信スキームを統合し、チャネルの変動によるデータ損失を低減する。
• 時系列的なビューポイントシーケンスの相関関係をモデル化するために、GRUに基づく再帰ニューラルネットワークを用い、線形モデルよりも優れた長期予測を実現する。
• 信頼性のあるおよび信頼性の低い上行リンク環境下で、LR、NN、GRUのオフラインおよびオンラインバージョンの予測性能を比較する。
• 16本のVR動画すべてで1つのモデルを訓練し、未知のデータに対してテストすることで、モデルの一般化能力を評価する。

実験結果

リサーチクエスチョン

• RQ1 オンライン学習アルゴリズムは、無線VRネットワークにおける静的オフラインモデルと比較して、ビューポイント予測精度を向上させることができるか？
• RQ2 プロアクティブな上行リンク再送信は、ビューポイントフィードバックの信頼性とその後の予測精度にどのように影響するか？
• RQ3 動的なVRユーザビューポイントを時間経過とともに予測する際、LRおよびNNと比較してGRUがもたらす性能向上は何か？
• RQ4 複数のVR動画で訓練された1つの統合モデルは、異なるコンテンツタイプにわたり、一貫した予測精度を達成できるか？
• RQ5 予測誤差は時間経過とともにどのように変化するのか？また、モデルの適応は長期的な誤差を低減する役割を果たすか？

主な発見

• プロアクティブな再送信を組み合わせたオンラインGRUアルゴリズムは、5%未満の予測誤差を達成し、オフラインモデルや再送信なしの手法と比べ顕著に優れた性能を示した。
• 動画再生の初期段階では、安定した初期のビューポイント行動があるため15次元線形回帰（LR）がGRUを上回るが、50タイムスロットを過ぎるとGRUが動的変化のモデル化が優れているため、LRを上回る。
• オンライン学習アルゴリズムの性能は、初期段階で小さなフラクチュエーションを示すが、これはパラメータの更新を通じて新しいユーザ行動パターンに適応しているためである。
• プロアクティブな再送信スキームにより、モデル更新に必要な実際のビューポイントデータの信頼性ある配信が保証され、予測精度が向上した。
• ジェイニ・エイドドスキーム（完全な上行リンク）は、プロアクティブな再送信を組み合わせたオンラインGRUをわずかに上回るが、差は最小限であり、提案手法の高いロバスト性を示している。
• 16本すべてのVR動画で1つのモデルを訓練した結果、異なるコンテンツタイプ間で類似した予測精度が得られ、強力な一般化能力を示した。