面向远程控制任务的语义与有效通信及动态特征压缩
机器学习
2023-01-18 v1 人工智能
信息论
math.IT
摘要
机器人集群的协同与工业系统的远程无线控制是 5G 及更高系统的主要用例之一：在这些场景中，需要通过无线介质共享的海量感官信息甚至会使高容量连接过载。因此，通过优化传输策略以丢弃无关信息来解决有效通信问题可以提供显著优势，但这通常是一项非常复杂的任务。在这项工作中，我们考虑了一个原型系统，其中观察者必须将其感官数据传达给控制任务（例如工厂中的移动机器人）的执行者。然后，我们将其建模为远程部分可观测马尔可夫决策过程(POMDP)，并考虑采用面向语义和有效通信的解决方案对整体系统性能的影响。我们通过考虑集成矢量量化变分自编码器(VQ-VAE)编码来拆分通信问题，并训练一个深度强化学习(DRL)智能体以动态调整量化级别，同时考虑环境的当前状态和过去消息的记忆。我们在著名的 CartPole 参考控制问题上测试了所提出的方法，与与传统方法相比获得了显著的性能提升。
引用
@article{arxiv.2301.05901,
title = {Semantic and Effective Communication for Remote Control Tasks with Dynamic Feature Compression},
author = {Pietro Talli and Francesco Pase and Federico Chiariotti and Andrea Zanella and Michele Zorzi},
journal= {arXiv preprint arXiv:2301.05901},
year = {2023}
}