[论文解读] 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 7

一句话总结

本文提出了一种基于MEC的无线VR网络，采用基于RNN的视场角（FoV）预测和基于深度强化学习（DRL）的渲染关联机制，以优化用户体验质量（QoE）。通过将FoV渲染任务卸载至高容量MEC服务器并支持模型迁移，该方案将VR交互延迟降低至多40 ms，并显著优于设备端渲染或最近邻关联MEC方案的长期QoE表现。

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

研究动机与目标

• 为解决无线VR网络中高VR交互延迟和设备计算能力受限的挑战。
• 在受限无线带宽和设备能力条件下，提升VR用户的用户体验质量（QoE）。
• 优化VR用户与MEC服务器之间的关联，实现高效渲染并降低延迟。
• 通过基于学习的预测与决策实现动态、智能的渲染卸载。

提出的方法

• 基于GRU的RNN模型根据历史头部/眼球运动数据预测VR用户的视场角（FoV）偏好。
• 系统将优化过程解耦为两个子任务：FoV预测与MEC关联，从而实现高效训练。
• 采用集中式与分布式深度强化学习（DRL）策略（DQN/AC）确定最优MEC关联与渲染服务器选择。
• 支持MEC之间的渲染模型迁移，使高性能MEC可渲染共享的FoV并将其结果分发至其他MEC。
• DRL智能体基于全局或局部观测进行学习，以最小化交互延迟并最大化长期QoE。
• 系统支持多播（用于共享FoV）与单播（用于专属FoV）传输，以降低下行链路开销。

实验结果

研究问题

• RQ1 基于RNN的VR用户视场角（FoV）预测能否提升无线VR网络中的渲染效率？
• RQ2 如何优化MEC关联与渲染卸载以最小化VR交互延迟？
• RQ3 在多VR用户场景下，集中式与分布式DRL对QoE与延迟的影响如何？
• RQ4 与本地渲染相比，MEC之间模型迁移是否能提升渲染性能并降低延迟？
• RQ5 网络参数（如VR用户数与MEC数量）对所提方案中QoE与延迟的影响如何？

主要发现

• 所提出的结合预测与模型迁移的MEC渲染方案，相比VR设备端渲染，将平均VR交互延迟降低了约40 ms。
• 由于基于全局观测的策略学习，集中式DRL算法相比分布式算法实现了更低的平均交互延迟。
• 引入渲染模型迁移显著提升了QoE并降低了延迟，尤其在将任务卸载至高容量MEC时效果更明显。
• 随着VR用户数量增加，QoE先下降后趋于稳定，原因在于网络拥塞与MEC完全激活。
• 增加MEC数量可提升QoE并降低延迟，直至达到饱和点，之后增益逐渐减弱。
• 所有基于学习的MEC渲染方案在QoE与延迟方面均显著优于非学习型的最近邻关联MEC方案。