[论文解读] Semantic-Aware Sensing Information Transmission for Metaverse: A Contest Theoretic Approach

Jiacheng Wang, Hongyang Du+5 more|arXiv (Cornell University)|Nov 23, 2022

Mobile Crowdsensing and Crowdsourcing被引用 4

一句话总结

本文提出了一种基于对策论的语义感知感知数据传输框架，用于元宇宙，以减少数据开销并激励用户参与。通过为无线信道频率响应（CFR）功率定义语义基，实现了72.13%的数据减少和通过激励机制实现27.47%的上传频率提升，从而在无需数据恢复的情况下提升了元宇宙服务质量。

ABSTRACT

With the advancement of network and computer technologies, virtual cyberspace keeps evolving, and Metaverse is the main representative. As an irreplaceable technology that supports Metaverse, the sensing information transmission from the physical world to Metaverse is vital. Inspired by emerging semantic communication, in this paper, we propose a semantic transmission framework for transmitting sensing information from the physical world to Metaverse. Leveraging the in-depth understanding of sensing information, we define the semantic bases, through which the semantic encoding of sensing data is achieved for the first time. Consequently, the amount of sensing data that needs to be transmitted is dramatically reduced. Unlike conventional methods that undergo data degradation and require data recovery, our approach achieves the sensing goal without data recovery while maintaining performance. To further improve Metaverse service quality, we introduce contest theory to create an incentive mechanism that motivates users to upload data more frequently. Experimental results show that the average data amount after semantic encoding is reduced to about 27.87% of that before encoding, while ensuring the sensing performance. Additionally, the proposed contest theoretic based incentive mechanism increases the sum of data uploading frequency by 27.47% compared to the uniform award scheme.

研究动机与目标

• 为解决元宇宙应用中无线感知的高数据量和传输负担问题。
• 在保持感知性能的前提下，减少从物理世界向元宇宙传输的感知数据量。
• 设计一种激励机制，鼓励用户更频繁地上传感知数据。
• 利用深度语义理解，实现对信道频率响应（CFR）功率数据的高效、语义感知传输。
• 在无需数据恢复的情况下实现高传输效率，与传统方法不同。

提出的方法

• 该框架通过定义语义基，从原始无线感知数据（特别是CFR功率）中提取并编码有意义的信息，从而减少数据量。
• 对信道频率响应（CFR）功率数据应用语义编码，仅传输语义相关的部分，最大限度减少冗余。
• 采用对策论设计激励机制，根据用户的上传频率和贡献质量进行奖励。
• 激励机制采用风险规避和风险中性公式，以优化用户之间的上传频率分布。
• 基于Fox’s H函数和拉格朗日优化的数学模型，推导出性能分析的闭式解。
• 系统在发射端集成语义编码，在接收端实现人体活动识别，并通过对策论实现动态激励分配。

Figure 1: The framework of the proposed system.

实验结果

研究问题

• RQ1 语义感知传输如何减少元宇宙应用中无线感知数据的体积？
• RQ2 何种最优激励机制可提升用户上传感知数据的参与度？
• RQ3 语义编码如何在最小化数据传输的同时保持感知性能？
• RQ4 风险偏好对多用户感知环境中激励机制设计有何影响？
• RQ5 与均匀奖励方案相比，对策论在多大程度上可提升数据上传频率？

主要发现

• 语义编码后的平均数据量减少至原始大小的27.87%，实现72.13%的数据量减少。
• 所提出的对策论激励机制相比均匀奖励方案，使总上传频率提升了27.47%。
• 该框架在无需数据恢复的情况下实现了高感知性能，与依赖重建的传统方法不同。
• 风险规避的激励模型在用户间实现了更均衡的上传频率分布，提升了系统公平性。
• 使用Fox’s H函数可高效计算性能分析中的复杂积分表达式。
• 理论分析证实，最优上传频率分布取决于用户的风险偏好和贡献水平。

Figure 3: An example of semantic encoding for walking and sitting.