[论文解读] 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 4

一句话总结

本文提出了一种基于在线学习的视点预测框架，并结合主动式上行链路重传机制，应用于无线VR网络，利用GRU模型通过适应实时用户行为来提升预测精度。仿真结果表明，采用主动重传的在线GRU方法可将预测误差控制在5%以下，显著优于离线模型及无重传方案。

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.

研究动机与目标

• 通过提前预测用户视点来解决无线VR中高交互延迟的挑战。
• 克服静态离线模型无法适应动态用户头部运动的局限性。
• 通过整合实时上行链路反馈与在线学习算法来提升预测精度。
• 采用主动重传方案确保视点数据的可靠上行链路传输，从而降低预测误差。
• 证明单一训练模型可在多个VR视频上实现一致的性能表现，具备良好的泛化能力。

提出的方法

• 使用K折交叉验证进行离线学习，基于真实VR数据集对n阶线性回归（LR）、神经网络（NN）和门控循环单元（GRU）进行训练。
• 实施在线学习算法，利用通过上行链路传输接收到的实际视点反馈动态更新模型参数。
• 集成主动重传机制以增强上行链路视点传输的可靠性，减少因信道波动导致的数据丢失。
• 采用基于GRU的循环神经网络对视点序列中的时间相关性进行建模，从而实现比线性模型更优的长期预测能力。
• 在可靠与不可靠上行链路条件下，对比LR、NN和GRU的离线与在线变体的预测性能。
• 通过在全部16个VR视频上训练单一模型并在未见数据上进行测试，评估模型的泛化能力。

实验结果

研究问题

• RQ1 与静态离线模型相比，在无线VR网络中，在线学习算法是否能提升视点预测精度？
• RQ2 主动式上行链路重传如何影响视点反馈的可靠性及后续预测精度？
• RQ3 在长时间动态VR用户视点预测中，使用GRU相较于LR和NN能带来多大的性能提升？
• RQ4 在多个VR视频上训练的单一统一模型是否能良好泛化到不同类型内容，并保持一致的预测精度？
• RQ5 预测误差如何随时间演变？模型自适应在降低长期误差方面起到什么作用？

主要发现

• 采用主动重传的在线GRU算法将预测误差控制在5%以下，显著优于离线模型及无重传方案。
• 在视频播放初期，15阶LR因初始视点行为稳定而表现优于GRU，但自第50个时隙起GRU因对动态变化建模更优而超越LR。
• 在线学习算法的性能在初期表现出小幅波动，这是由于模型通过参数更新逐步适应新的用户行为模式。
• 主动重传机制通过确保实际视点数据的可靠传输，为模型更新提供支持，从而提升预测精度。
• Genie辅助方案（完美上行链路）略优于采用重传的在线GRU，但差距极小，表明所提方案具备极强的鲁棒性。
• 在全部16个VR视频上训练的单一模型在不同内容类型中均实现了相近的预测精度，证明了其强大的泛化能力。