[논문 리뷰] Learning-based Prediction, Rendering and Association Optimization for MEC-enabled Wireless Virtual Reality (VR) Network

Xiaonan Liu, Yansha Deng|arXiv (Cornell University)|2020. 05. 17.

Image and Video Quality Assessment참고 문헌 30인용 수 7

한 줄 요약

이 논문은 RNN 기반의 시야각(FoV) 예측과 딥 강화학습(DRL) 기반의 렲링 연계를 활용해 QoE를 최적화하는 MEC 기반 무선 VR 네트워크를 제안한다. FoV 렌더링을 고용량 MEC 서버로 오프로딩하고 모델 이동을 가능하게 함으로써, 장치 측 렌더링 또는 최근접 연결 MEC 기반 방식에 비해 VR 상호작용 지연을 최대 40ms 감소시키고 장기적으로 QoE를 크게 향상시킨다.

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

연구 동기 및 목표

• 무선 VR 네트워크에서 높은 VR 상호작용 지연과 제한된 장치 연산 능력의 과제를 해결하기 위해.
• 제약이 있는 무선 대역폭과 장치 성능 조건에서 VR 사용자의 품질 경험(QoE)을 향상시키기 위해.
• 효율적인 렌더링과 지연 감소를 위해 VR 사용자와 MEC 서버 간의 연계를 최적화하기 위해.
• 학습 기반 예측과 의사결정을 활용해 동적이고 지능적인 렌더링 오프로딩을 가능하게 하기 위해.

제안 방법

• GRU 기반 RNN 모델이 이전의 머리/눈 움직임 데이터를 기반으로 VR 사용자의 시야각(FoV) 선호도를 예측한다.
• 시스템은 최적화를 두 가지 하위 작업인 FoV 예측과 MEC 연계로 분리하여 효율적인 학습을 가능하게 한다.
• 중앙집중식 및 분산식 딥 강화학습(DRL) 전략(DQN/AC)을 사용하여 최적의 MEC 연계 및 렌더링 서버 선택을 결정한다.
• 렌더링 모델 이동이 MEC 간에 가능해져 고성능 MEC 서버가 공유된 FoV를 렌더링하고 결과를 다른 MEC 서버에 배포할 수 있다.
• DRL 에이전트는 전역 또는 국지적 관측 기반으로 학습하여 상호작용 지연을 최소화하면서 장기적 QoE를 극대화한다.
• 다운링크 비용을 줄이기 위해 공유된 FoV에 대해서는 멀티캐스트, 고유한 FoV에 대해서는 유니캐스트 전송을 지원한다.

실험 결과

연구 질문

• RQ1 RNN 기반의 VR 사용자 시야각(FoV) 예측이 무선 VR 네트워크에서 렌더링 효율성을 향상시킬 수 있는가?
• RQ2 MEC 연계와 렌더링 오프로딩을 어떻게 최적화하여 VR 상호작용 지연을 최소화할 수 있는가?
• RQ3 중앙집중식 대비 분산식 DRL이 다수의 VR 사용자 환경에서 QoE와 지연에 어떤 영향을 미치는가?
• RQ4 MEC 간 모델 이동이 로컬 렌더링에 비해 렌더링 성능 향상과 지연 감소에 기여하는가?
• RQ5 VR 사용자 수와 MEC 수와 같은 네트워크 파라미터가 제안된 방식에서 QoE와 지연에 어떤 영향을 미치는가?

주요 결과

• 예측 및 이동 기반 MEC 렌더링 기법은 VR 장치 측 렌더링 대비 평균 VR 상호작용 지연을 약 40ms 감소시킨다.
• 전역 관측 기반 정책 학습 덕분에 중앙집중식 DRL 알고리즘이 분산식 대비 더 낮은 평균 상호작용 지연을 달성한다.
• 렌더링 모델 이동 기능을 포함함으로써 QoE 향상과 지연 감소가 이루어지며, 특히 고용량 MEC에 오프로딩할 경우 두드러진다.
• VR 사용자 수가 증가함에 따라 네트워크 혼잡과 MEC 전면 활성화로 인해 QoE는 일시적으로 감소한 후 안정화된다.
• MEC 수를 늘릴수록 QoE 향상과 지연 감소가 이루어지나, 포화점에 도달하면 성과의 증가율이 둔화된다.
• 모든 학습 기반 MEC 렌더링 기법이 비학습 기반의 최근접 연결 MEC 기법에 비해 QoE와 지연 측면에서 뚜렷한 성능 향상을 보인다.