基于多智能体深度强化学习的 360{\deg} 视频流式传输率率适应
多媒体
2024-05-21 v2 人工智能
网络与互联网体系结构
图像与视频处理
摘要
过去几年中，360{\deg} 视频流量在网络上有显著增长。360{\deg} 视频播放的关键挑战是确保在有限网络带宽下提供高质量用户体验 (QoE)。目前大多数研究聚焦于基于单视角预测的瓷砖基准自适应比特率 (ABR) 流式传输，以减少带宽消耗。然而，单视角预测模型的性能严重受限于头部运动的固有不确定性，无法很好地应对用户的突发运动。本文首先提出了一种多模态时空注意力变换器，用于生成给定历史轨迹的多个视角轨迹及其概率。该方法将视角预测建模为分类问题，并使用注意力机制捕获输入视频帧和视角轨迹的空间和时间特征，以实现多视角预测。在此基础上，提出了一种基于多智能体深度强化学习 (MADRL) 的 ABR 算法，用于 360{\deg} 视频流式传输，以最大化不同网络条件下的不同 QoE 目标。我们将 ABR 问题建模为去中心化部分可观测马尔可夫决策过程 (Dec-POMDP) 问题，并提出一种基于集中训练、去中心化执行 (CTDE) 框架的 MAPPO 算法来解决该问题。实验结果表明，我们提出的方法在已有的 ABR 方法中将定义的 QoE 指标提高了最高可达 85.5%。
引用
@article{arxiv.2405.07759,
title = {MADRL-Based Rate Adaptation for 360{\deg} Video Streaming with Multi-Viewpoint Prediction},
author = {Haopeng Wang and Zijian Long and Haiwei Dong and Abdulmotaleb El Saddik},
journal= {arXiv preprint arXiv:2405.07759},
year = {2024}
}
备注
Accepted by IEEE Internet of Things Journal