[論文レビュー] Learning-based Prediction, Rendering and Association Optimization for MEC-enabled Wireless Virtual Reality (VR) Network

Xiaonan Liu, Yansha Deng|arXiv (Cornell University)|May 17, 2020

Image and Video Quality Assessment参考文献 30被引用数 7

ひとこと要約

本稿では、RNNに基づく視野（FoV）予測と深層強化学習（DRL）駆動のレンダリング連携を用いてQoEを最適化するMEC対応無線VRネットワークを提案する。FoVレンダリングを高容量MECサーバーにオフロードし、モデル移行を可能にすることで、デバイス内レンダリングや最近接接続MEC方式と比較して、VR相互作用遅延を最大40 msまで低減し、長期的なQoEを顕著に向上させる。

ABSTRACT

Wireless-connected Virtual Reality (VR) provides immersive experience for VR users from any-where at anytime. However, providing wireless VR users with seamless connectivity and real-time VR video with high quality is challenging due to its requirements in high Quality of Experience (QoE) and low VR interaction latency under limited computation capability of VR device. To address these issues,we propose a MEC-enabled wireless VR network, where the field of view (FoV) of each VR user can be real-time predicted using Recurrent Neural Network (RNN), and the rendering of VR content is moved from VR device to MEC server with rendering model migration capability. Taking into account the geographical and FoV request correlation, we propose centralized and distributed decoupled Deep Reinforcement Learning (DRL) strategies to maximize the long-term QoE of VR users under the VR interaction latency constraint. Simulation results show that our proposed MEC rendering schemes and DRL algorithms substantially improve the long-term QoE of VR users and reduce the VR interaction latency compared to rendering at VR devices

研究の動機と目的

• 無線VRネットワークにおける高いVR相互作用遅延と限られたデバイスの計算能力という課題に対処すること。
• 制限された無線帯域幅とデバイス能力下でのVRユーザーの品質体験（QoE）を向上させること。
• VRユーザーとMECサーバー間の最適な関連付けを最適化し、効率的なレンダリングと遅延低減を実現すること。
• 学習ベースの予測と意思決定を用いた動的で知的なレンダリングオフロードを可能とすること。

提案手法

• GRUベースのRNNモデルが、歴史的なヘッド/アイモーションデータに基づいてVRユーザーの視野（FoV）好みを予測する。
• 最適化を二つのサブタスク（FoV予測とMEC関連付け）に分離することで、効率的な学習を可能にする。
• 最適なMEC関連付けとレンダリングサーバー選択を決定するために、集中型および分散型の深層強化学習（DRL）戦略（DQN/AC）が用いられる。
• MEC間でのレンダリングモデル移行が可能となり、高性能MECが共有FoVをレンダリングし、その結果を他のMECに配布できる。
• DRLエージェントはグローバルまたはローカルの観測に基づいて学習し、相互作用遅延を最小限に抑えながら長期的なQoEを最大化する。
• 下り回線コストを低減するため、共有FoVにはマルチキャスト、固有FoVにはユニキャストの送信をサポートする。

実験結果

リサーチクエスチョン

• RQ1 RNNに基づくVRユーザーの視野（FoV）予測は、無線VRネットワークにおけるレンダリング効率を向上させることができるか？
• RQ2 MEC関連付けとレンダリングオフロードを最適化することで、VR相互作用遅延を最小限に抑えることができるか？
• RQ3 集中型と分散型DRLの違いが、複数のVRユーザーが存在する状況下でのQoEと遅延に与える影響は何か？
• RQ4 MEC間でのモデル移行は、ローカルレンダリングと比較してレンダリングパフォーマンスを向上させ、遅延を低減するか？
• RQ5 VRユーザー数やMEC数といったネットワークパラメータが、提案手法におけるQoEと遅延に与える影響は何か？

主な発見

• 予測と移行を組み合わせたMECレンダリング手法により、VRデバイス内レンダリングと比較して平均VR相互作用遅延が約40 ms低減される。
• グローバル観測に基づくポリシー学習により、集中型DRLアルゴリズムは分散型よりも低い平均相互作用遅延を達成する。
• レンダリングモデル移行の導入により、特に高容量MECにオフロードすることでQoEが向上し、遅延が低減される。
• VRユーザー数が増加すると、ネットワーク混雑とMECのフル稼働により一時的にQoEが低下し、その後安定化する。
• MEC数の増加によりQoEが向上し、遅延が低減するが、ある飽和点に達すると利得が減少する。
• すべての学習ベースのMECレンダリング手法は、非学習ベースの最近接接続MEC方式と比較して、QoEおよび遅延の両面で顕著に優れている。