基于注意力的QoE感知数字孪生赋能边缘计算用于沉浸式虚拟现实
系统与控制
2023-05-24 v2 系统与控制
摘要
虚拟现实(VR)内容流等元宇宙应用需要移动边缘计算(MEC)的最优资源分配策略，以确保高质量的用户体验。与可能带来大量通信开销和更长延迟的在线强化学习(RL)算法不同，现有大多数工作采用离线训练的RL算法进行MEC系统中的资源分配决策。然而，它们忽视了物理世界与数字世界之间去同步化对分配策略有效性的影响。本文中，我们利用一种持续RL框架来解决这种去同步化问题，该框架为支持MEC的VR内容流动态促进资源分配。我们首先设计了一个数字孪生赋能边缘计算(DTEC)系统，并基于基于注意力的分辨率感知 formulate 了一个体验质量(QoE)最大化问题。该问题在调整VR内容基于注意力的分辨率的同时优化计算和带宽资源的分配。DTEC中的持续RL框架实现了时变环境中的自适应在线执行。奖励函数基于QoE和水平公平性QoE(hfQoE)约束定义。此外，我们提出了新鲜度优先经验回放-持续深度确定性策略梯度(FPER-CDDPG)，以增强在时变DT更新存在下持续学习的性能。我们通过大量实验和评估测试了FPER-CDDPG。FPER-CDDPG在平均延迟、QoE和成功交付率方面优于基准方法，并满足hfQoE要求和长期执行的性能，同时确保系统随用户数量增加的可扩展性。
引用
@article{arxiv.2305.08569,
title = {Attention-based QoE-aware Digital Twin Empowered Edge Computing for Immersive Virtual Reality},
author = {Jiadong Yu and Ahmad Alhilal and Tailin Zhou and Pan Hui and Danny H. K. Tsang},
journal= {arXiv preprint arXiv:2305.08569},
year = {2023}
}