RIS辅助太赫兹网络中面向交互式虚拟现实的基于学习的预测、渲染与传输
信号处理
2021-07-28 v1
摘要
无线虚拟现实(VR)的体验质量(QoE)要求只能通过高数据速率、高可靠性和低VR交互时延来满足。这种短传输距离上的高数据速率可通过太赫兹(THz)频段丰富的带宽来实现。然而，太赫兹波存在严重的信号衰减，可通过具有可编程反射单元的可重构智能表面(RIS)技术进行补偿。同时，由于移动边缘计算(MEC)网络架构具有高计算能力，可实现低VR交互时延。基于这些考虑，本文在室内场景下提出了一种支持MEC且由RIS辅助的太赫兹VR网络，综合考虑了上行视点预测与位置传输、MEC渲染以及下行传输。我们提出了两种方法，即集中式在线门控循环单元(GRU)与分布式联邦平均(FedAvg)，用于预测VR用户的视点。在上行链路中，部署了一种融合在线长短期记忆(LSTM)与卷积神经网络(CNN)的算法，随时间预测VR用户的位置及其视距与非视距状态。在下行链路中，我们进一步提出了一种约束深度强化学习算法，在时延约束下选择RIS的最优相移。仿真结果表明，我们所提出的学习架构达到了与全知基准算法近乎最优的QoE，且相比随机相移选择方案在QoE上约有两倍提升。
引用
@article{arxiv.2107.12943,
title = {Learning-based Prediction, Rendering and Transmission for Interactive Virtual Reality in RIS-Assisted Terahertz Networks},
author = {Xiaonan Liu and Yansha Deng and Chong Han and Marco Di Renzo},
journal= {arXiv preprint arXiv:2107.12943},
year = {2021}
}