无线虚拟现实网络中基于联邦回声状态学习的最小化存在中断方法
信息论
2019-09-16 v2 math.IT
摘要
本文研究了通过最小化存在中断（BIP）的发生来增强无线用户虚拟现实（VR）体验的问题，BIP会使用户脱离其虚拟世界。为度量无线VR用户的BIP，提出了一种联合考虑VR应用类型、传输延迟、VR视频质量以及用户对虚拟环境感知的新模型。在所开发的模型中，基站（BS）使用定向传输链路向无线VR用户发送VR视频，以为VR用户提供高数据速率，从而减少每个用户的BIP数量。由于VR用户的身体运动可能导致其无线链路阻塞，在最小化BIP时还必须考虑VR用户的位置和朝向。BIP最小化问题被表述为一个联合考虑用户位置、朝向预测及其BS关联的优化问题。为预测VR用户朝向和位置，提出了一种基于深度回声状态网络（ESN）机器学习框架的分布式学习算法。该算法利用联邦学习的思想，使多个BS能够使用各自收集的数据本地训练其深度ESN，并协作构建用于预测全体用户位置和朝向的学习模型。利用这些预测，推导出了最小化BIP的用户关联策略。仿真结果表明，与集中式ESN和深度学习算法相比，所开发算法分别将用户BIP降低了至多16%和26%。
引用
@article{arxiv.1812.01202,
title = {Federated Echo State Learning for Minimizing Breaks in Presence in Wireless Virtual Reality Networks},
author = {Mingzhe Chen and Omid Semiari and Walid Saad and Xuanlin Liu and Changchuan Yin},
journal= {arXiv preprint arXiv:1812.01202},
year = {2019}
}
备注
This paper has been accepted by the IEEE Transactions on Wireless Communications