文摘

针对基于云服务的高要求虚拟现实在AIoT数据传输速率和延迟敏感,云VR系统方案提出了基于MEC(移动边缘计算),主要包含viewpoint-based VR视频数据处理和混合数模转换()注重科技进步传输优化,可以提起AIoT传播。首先,学习驱动多路存取MEC卸载策略设计,虚拟现实的终端自动选择最优MEC服务器任务卸载,从而有效提高网络效率和减少服务延迟。其次,虚拟现实的累进传输数据通过viewpoint-aware动态流实现基于RoI的利益(地区)和不同对象的优先级。场景中每个对象的传输优先级确定ROI分层,它有效地解决了大数据量之间的矛盾在虚拟现实场景和网络带宽的限制,当应用于AIoT域,并进一步提高了系统的实时性能。然后,介绍了(混合数模)技术注重科技进步,优化传播。最后,基站修改协议栈的基础上LTE(长期演进)系统,和MEC技术集成在AIoT云实现一个完整的虚拟现实系统。实验结果表明,与其他先进的方案相比,该方案可以实现更加健壮和高效的数据传输性能和提供更好的虚拟现实的用户体验。

1。介绍

最近,众所周知,VR(虚拟现实)系统结合AIoT,融合数字图像处理等多种技术,计算机图形学、多媒体、计算机仿真、传感器、计算机网络,广泛的应用在许多领域,如娱乐、模拟训练、航空航天、科学计算可视化、艺术,1]。虚拟现实有三个最突出的特点:浸,互动,和想象力,也被称为3我虚拟现实的特点2),根据这些特征可以实现人机交互。云虚拟现实是一种实时的虚拟现实技术,可以用于数据传输量AIoT基于云计算,云服务器是用于替换用户的本地计算设备,促进虚拟现实应用的普及3]。云虚拟架构由四部分组成:内容层、平台层、网络层和终端层。其中,内容平台提供的一层一层的内容包括云虚拟视频服务和云虚拟现实交互服务和负责视频导入,代码转换、存储、播放控制和分布处理、逻辑计算和实时渲染强烈的交互服务。网络层由四部分组成:骨干网络,人(城域网),访问网络、家庭网络,满足云计算虚拟现实的大带宽和低延迟的要求。最后,终端层连接到平台层通过访问5 g / wi - fi实现功能,如虚拟现实演示内容和用户身份验证4]。云虚拟现实解决方案体系结构如图1。


图1
云虚拟现实解决方案体系结构。

然而,由于大量的虚拟现实视频数据,除了云计算和渲染,网络传输带宽和延迟的限制已经成为新的瓶颈,整个系统(5]。基本4 K决议云虚拟现实服务,网络带宽至少需要达到40 Mbit / s,和传播的RTT(往返延迟)应控制在40毫秒为用户提供一个良好的观看体验6]。在当前移动网络体系结构中,用户和服务器之间的距离至少是在地铁距离水平。无论设备转发和图像传输、光纤传输的RTT只高达30 - 40 ms,这是难以满足的要求云VR (7]。

5 g技术的发展和AIoT的需要,移动网络的带宽已经大大增加了。计算节点附近沉没的应用场景(网关),MEC把数据收集和分析操作接近用户,实现闭环数据处理的优势,从而可以缓解网络传输压力,缩短数据处理时间8]。MEC架构下,MEC节点上部署虚拟应用程序将带来以下优点:(1)MEC计算节点直接部署移动网关,可以减少啤酒花的VR应用程序数据和最终用户之间的网络传输,并减少网络处理延迟(9];(2)虚拟现实应用MEC节点上运行,可以实现本地数据处理。为用户在同样的UPF(用户平面函数),数据不需要进入互联网,在互联网上可以减少传输压力(10];(3)边缘处理虚拟现实的内容,例如,在VR直播场景中,虚拟现实视频拼接的过程中,编码和转码,可以直接在MEC执行和分配节点,数据卸载可以实现对本地用户附近,和奥特(上面)用户或用户被其他MEC节点可以快速通过CDN(内容分发网络)11];和(4)MEC的分布式网络可以实现连续的虚拟现实经验在移动场景,比如看VR直播或参加视频会议在高速移动运营商(如汽车和高速列车)(12]。

此外,MEC可以使用低延迟应用程序层协议如QUIC(快速网络连接用户数据报协议)和RTP(实时传输协议),使云虚拟现实可能的(13]。另一方面,在MEC的场景中,源结束(边缘服务器)更紧密相连的通道(基站)结束,和带宽足以支持传输的基带数据服务器和基站之间,从而大大提高了使用pseudoanalog的可行性,有信源通道(混合数-模)和其他联合编码技术(14]。

当用户看虚拟视频,由于视场的限制(视野)显示器,用户通常只能看整个视频的某一部分。如果服务器传输整个视频中,大部分的带宽资源将不可避免的被浪费。因此,自适应块传输方法基于破折号(动态自适应流媒体通过HTTP)是应用最广泛的方法,虚拟视频(15]。在块传输模式中,一个完整的虚拟现实视频分为许多视频块,和每个视频块编码成不同的质量水平。服务器自适应地选择最优质量水平为每个视频块根据网络带宽等因素并将其传输给用户。有两种基本模式的自适应块传输模式:观点适应和适应率(16]。前者是中央预测用户的观点,后者的变化是资源配置的核心服务器。

基于AIoT边缘移动计算技术,本文修改了LTE(长期演进)基站协议栈来构建一个移动计算平台边缘为AIoT扩展以支持服务(混合数模)传播,注重科技进步,以实现一个高效、可靠的云虚拟现实系统。本文的主要贡献如下:(1)学习驱动MEC服务器采用卸载策略,这样用户可以自动选择最优MEC服务器(2)实现一个完整的云通过viewpoint-aware VR系统基于ROI的动态流和对象的优先事项(3)基于技术注重科技进步,系统传输效率优化提供高质量虚拟视频在有限的带宽

虚拟现实系统的主要内容是虚拟场景,会有大量的3 d场景的虚拟场景。在当前的网络环境,系统面临的问题如何解决之间的矛盾3 d场景的数据传输和网络带宽有限AIoT在实践中。这方面涉及到处理、发送和接收的3 d场景,同时,还必须确保客户端场景可以生成一个良好的视觉体验(17]。是否从根本上解决这些问题相关的成功实现虚拟现实系统。

研究人员已经提出了差动传动FOV传输方案基于视角的全景视频信息领域(18]。这些包括金字塔投影传输方案提出的Facebook和瓷砖由华为明智的传输方案。

金字塔投影传输方案,全视图代码流非均匀质量为每个视图,和高质量的编码中使用用户的观点,而低质量的编码是用于其他地区(19]。这种方法大大减少了系统用户的带宽需求看全景视频时,提高了网络带宽的有效利用,但观点的总和视频文件系统中服务器超过6倍的原始文件。瓷砖智慧传播方案结合了劣质full-views和高质量的观点。服务器端不需要准备每个视角区域但是将全景视频图像划分为多个瓦片同时,每个区域对应一个流,可以独立解码,和服务器将准备一个低质量的全景全景视频。客户端获得全视图流和高品质瓷砖选择根据视点信息(20.]。建设的全景图像非均匀特性,Hosseini et al。21)提出了一个viewpoint-aware适应性VR传输框架基于扩展MPEG-DASH阶跃恢复二极管(电影专家小组活力通过HTTP自适应流媒体空间关系描述)。同样,金等。22)提出了一个介绍(空间分段自适应流媒体)计划HLS (HTTP流媒体直播)协议的基础上实现实时自适应流媒体基于用户的观点。这些解决方案利用现有HTTP自适应传输协议如破折号和进一步扩大基于时间的瓷砖空间来实现动态自适应流媒体。

根据情境信息,如用户的计算能力的移动终端,适当MEC服务器选择高效的任务卸载,以保证网络延迟性能,降低能源消耗。郭et al。23)提出了MEC任务卸载策略基于非正交的多,考虑约束条件的不同的访问技术。通过考虑不同业务的服务质量(QoS)的限制,亨利et al。24)提出了一个卸载策略,可以保证一个强大的基于博弈论的延迟边界。基于Stackelberg博弈理论Hosseini et al。25)提出了一个分布式的基于价格的MEC任务卸载算法,使得用户自主决定。此外,刘,刘26)提出了一个节能MEC任务卸载算法之初无线网络场景能源开销最小化通过优化卸载决策变量和功率带宽分配。在MEC任务卸载现有的研究,假设的计算能力和存储能力MEC是已知的,基于单个MEC服务器的研究情况,计算任务的卸载的决定是由能量最优延迟或最优的目标。然而,由于基站部署的致密化5 g网络,大量MEC的服务器将被部署在基站或接入点(APs)更接近用户的移动终端。不同的MEC服务器的计算和存储能力是不同的。因此,移动终端用户侧需要独立决定和选择最优MEC服务器访问策略根据情境等信息服务的特点和网络环境下,以最小化网络延迟和网络能耗的同时,从而实现了节能MEC服务器任务卸载策略。

刘等人。27]提出了一种有效的虚拟信源通道传导机制基于联合编码。瓷砖VR视频后,参照用户的视场信息,不同级别的纠错策略用于最大化查看质量在用户的视场。冯et al。28)定义了一个新的体验质量(经验)质量指标来衡量用户的视觉体验和提供了一个有效的调制控制算法在不同信道条件下的体验质量价值最大化。张先生和马32),进一步研究多目标人群提出实时跟踪在动态环境中基于一种新的神经网络,用于AIoT云虚拟现实。

3所示。基于MEC VR自适应传输方案和观点意识

3.1。系统架构

建议的解决方案集成了MEC技术LTE系统的基础上,扩展了基站实现传输模式,注重科技进步,以满足高要求的交互式虚拟现实服务延迟和网络质量,提供高性能的网络支持云虚拟现实服务特别是AIoT数据传输(32]。系统结构如图2。


图2
系统结构。

通过修改协议栈的基站,同时引入MEC的功能,系统的兼容性标准LTE终端维护。隧道协议用于重定向流量在网络层过滤和卸载边缘敏感的交通服务。基站维护交通敏感表的优势服务,它记录了IP地址、协议和端口号的数据包需要转发到边缘服务器。每个数据包传递数据匹配。如果数据包匹配表中的条目敏感,目的地IP隧道报文头的GPRS隧道协议(三磷酸鸟苷)重建,和原来的核心网络IP被替换为边缘服务器IP;也就是说,数据包转发到边缘服务器。对于返回的下行数据,边缘服务器把源IP地址伪装成真正的公共应用程序服务器的网络地址。

该建议的体系结构实现了云基于MEC的虚拟现实系统。计算任务和服务移动基站的边缘,以减少传输延迟的网络结构和物理距离,和RTT将控制在10毫秒。它不仅提高了服务器的响应速度,也保证了网络服务质量的稳定性,极大地提高了用户的视觉体验。引进技术注重科技进步为边缘服务器提供了一个更灵活的传输方式,使他们能够充分利用带宽资源,减轻AIoT现有数字传输的饱和效应。

3.2。学习驱动MEC服务器自适应卸载策略

马伯(multiarmed强盗)模型(24),有 赌博多次选择的武器和一个球员。每次玩家选择的一个赌博的手臂并获得相应的奖励,玩家只能获得的奖励价值选择手臂后选择。每个赌博手臂的奖励价值遵循一些未知的具体分布和相互独立的。学习奖励的玩家分布不同的赌博武器通过勘探和利用率。后 轮游戏,玩家的优化目标是最大化回报的期望值。

假设 用户和 基站在5 g无线网络场景中,和每个基站都包含一个MEC服务器(为了简化描述,基站和MEC服务器共同为代表 )。让整个系统带宽 ,还有 副载波系统的带宽。假设一个用户只能访问一个基站 ,最多,一个用户可以访问一个副载波,然后 在哪里 表示一个资源块。SINR(信号干扰加噪声比)的用户终端 和基站 在资源块 是 在哪里 代表基站的传输功率 用户 在资源块 ,基站之间的信道增益 和用户 是 ,和 接下来的噪声功率吗 分布。用户向基站的传输速度

对延迟敏感服务,假设数据包的到达率符合泊松分布的到达率 ,固定长度的数据包 。为了满足对延迟敏感的QoS约束服务,基于有效带宽理论、有效带宽的传输延迟绑定定义为 在哪里 是有效的带宽, 的QoS值是用户终端, 是数据包的数量达到期限内(0, ),和 代表了数学期望。

假设每个MEC服务器的最大计算频率(基站) , , ,和 ,MEC服务器的计算量 可以为用户提供的移动终端可以表示为

在哪里 代表每个服务器的计算频率, 表示用户端的计算负载的任务,它可以测量以离线的方式。MEC网络架构如图3。


图3
MEC网络架构师。

在提出学习驱动MEC-MAB自动卸载算法,用户的移动终端 玩家,MEC服务器 是赌博的手臂。如果用户 选择访问MEC服务器 ,相应的随机奖励的价值 将获得的。每个MEC服务器的奖励价值遵循一个特定的分布与平均值 ,是相互独立的π米的真正奖励MEC服务器 。由于用户不能总是选择服务器实际最高的奖赏,后悔值 被定义为实际的奖励值后获得的区别 选择和预期的最大奖赏值: 在哪里 ,和 MEC服务器的次数 已经被选择在前面的 轮。马伯模型以来,真正的赌博的奖励值的手臂是奖励价值生成的动作执行后,需要估计的选择行为的奖励值赌博机构如下:

使用Thompson-Sampling算法(29日),每个选择的奖励值的概率马伯MEC服务器的模型被认为是一种β(α,β)分布,然后MEC的奖励值分布概率函数可以在数学上表示为服务器选择行为

参数更新规则给出了贝塔分布

最初,用户移动终端所观察到的情境信息,如QoS的计算任务和设置 和 。在时间 , ,奖励估计用户的移动终端满足MEC服务器的选择行为 。用户选择MEC服务器最大的回报价值 。网络应用所选择的访问行为和措施相应的回报价值 ,和参数更新 。

提出MEC-MAB算法,观察从MEC服务器选择的数量增加,贝塔分布的置信区间变得狭窄,让用户自动选择最优MEC服务器以最大的回报。

3.3。Viewpoint-Aware进步的动态流

本文提出了基于ROI的viewpoint-aware动态流和对象优先。战略首先将数据划分为当前场景,潜在的场景,和未来的场景基于ROI的判断。和ROI的概念扩展,垂直和水平的重点对象是通过ROI分层,以确定每个对象的传输优先级的场景。

对象的可见性判断和消除空间可以减少不必要的场景的传播以达到最低传输容量,从而提高交互的实时性能。为了实现这一目标,首先必须分析来确定整个场景可见场景根据用户的位置和角度,并可见性计算应根据相关算法来去除那些不必要的或不重要的场景。然后,当前可见的场景首先传播,当视点移动时,增量部分场景是逐渐传播,这也是进步传播的初衷。

如图4、角度范围分为三个领域:cpv(当前潜在可见的场景),ipv(增量潜在可见的场景),和废票(未来的潜在可见的场景),基于视觉习惯的正前方,然后环顾四周,和观察附近区域,然后远区。


图4
ROI区域的用户。

cpv区最近的直接和目前可见的场景。所有在这个领域对象模型是可见的用户和相对接近用户;对象在这方面应该有最高的优先级传输和交互的过程。ipv区域如下:该区域由两部分组成。给用户,在这一领域的对象不是立即可见,相对远离用户。如果用户的观点(向前走或转),然后在这个领域是立即可见的对象。因此,对象模型在这方面应该有一个相对较高的优先级。后访问对象模型在cpv区,这个区域的场景是先下载,这些模型可以显示当用户漫游。废票区域如下:所有对象模型在这方面目前不可见的用户并相对远离用户。对象模型在这方面应该有较低的优先级,和这些对象可以预取到客户端用于场景漫游只有当网络闲置或者额外可用的网络带宽。 Thus, the visual areas are divided into CPVS, IPVS, and FPVS. The object models in this three zones correspond to three queues, queue 1, queue 2, and queue 3, respectively, and the priority of the three queues is 。

有许多场景中的对象时,为了更好的区分不同对象模型,实现渐进传输的现场,有必要进一步确定某个场景的访问序列有多个对象;也就是说,它是必要的,以确定的视觉重要性不同的物体在一定区域。本文扩展了ROI的概念并确定一个特定对象的访问队列的顺序由分层一定ROI区域,考虑水平和垂直的重要性不同的对象。

水平的ROI是服务器的角度来看,当前用户的ROI区域进一步细分为若干层次,并相应地确定对象的传输顺序。如图5,如果有多个对象在当前可见的ROI,距离和视角可用于确定的顺序访问对象:对象级别最高优先级,对象在B级第二优先级,和对象在C级别最低优先级。


图5
ROI分层。

通过这种方式,该系统主要使用有限的带宽资源传输视频用户的可见范围内,尽可能压缩冗余内容,提供了最佳的观看效果。与此同时,每一帧的视频传播包含全视图信息,从而实现“device-cloud异步”呈现。当用户的姿态发生变化时,当地的显示设备不需要等待服务器返回数据和实时呈现在本地完成,与最短的延迟更新现场,确保完整和平稳过渡。

进步的流媒体的本质是“下载浏览”达到最优实时效果。根据人类的视觉原理,越接近对象角度,角度越小,物体偏离角度,和更高分辨率的角度可以观察的对象。为了节省带宽,没有必要下载完整的模型的增量,相反,我们可以下载的ORM的场景。可以确定对象的ORM基于其视觉重要观点: 在哪里 代表对象的视觉重要性 , 《阿凡达》的ROI半径, 之间的距离是 《阿凡达》的观点,θi表示对象之间的偏差角 和《阿凡达》的观点( )。

3.4。优化传输方案注重科技进步

结束在现有的无线通信系统中,信道编码的视频数据传输的比特流。如果有一点错误代码流传输的视频,视频的解码数据将导致严重的视觉失真甚至解码失败。尽管目前无线视频软传输方案可以实现无缝改编的视频传输质量的信道条件,其传动效率并不令人满意。结合传统数字传输的效率高和鲁棒性的视频软传播,传播注重科技进步技术有潜力提供稳定、可靠、高效的虚拟现实在AIoT视频传输。

提出了输电系统注重科技进步,时分多路复用软视频传输方案设计注重科技进步。视频在用户窗口分解为两个层次:第一层是层底部信号,所产生的视频源压缩HEVC编码器。第二层是增强层的信号,即剩余价值减去原始视频信号后,第一层的重构信号。视频信号的两层是时分多路复用的方式传播。一方面,为了实现可靠传输的数字部分,目标比特率控制的量化参数,和信道编码速率和调制的顺序是由信噪比决定。另一方面,整体视频质量直接取决于MSE(均方误差)的模拟信号,它可以表示为一个函数的方差数据的模拟部分,功率和带宽分配给模拟部分,和信道的噪声功率。

在功率分配方面,首先需要确保基地层可以成功解码。因此,整个视频质量的视频传输是由注重科技进步的数据方差增强层(模拟源),资源分配给模拟部分,信道噪声功率。基于信噪比,比特流信号层底部turbo-coded选定信道编码率,和编码信号进行正交调幅。考虑到HEVC(高效视频编码)已基本删除视频序列的帧间相关性,原始视频和重建之间的残余视频基本上不包含帧间冗余。剩余的部分是进一步decorrelated 3维变换变换,和power-scaled DCT系数是用来调节信号振幅。

由于信号在第二层的增强信号视频,有限的带宽和功率的情况下,恢复尽可能多的增强层的信号有助于提高重建视频的质量。增强层信号的解相关操作后,模拟系数的能量分布相对集中,这是体现在一些大型集中在左上角的系数。在时分多路复用编码,应该选择合适的参数编码速率和信道编码调制模式的第一层,以确保正确的解码。从第一层被设计成解码正确在给定信道噪声功率,整个系统失真是由第二层的重建失真。为了减少干扰的大系数的模拟部分数字信号,我们试图时分多路复用传输系数大。由于带宽的限制,小系数将被丢弃。虽然丢弃小系数可以节省带宽,高频分量信息由这些小系数不能在接收端恢复,这将带来额外的性能损失。

不失一般性,我们使用MSE作为变形测量。让 和 分别是模拟失真和数字失真。为了成功解码数字基础层,数字部分的信噪比必须大于信噪比阈值信噪比th。频谱效率对应的信噪比th是 ,这取决于MCS(调制和编码方案),它必须满足吗 在哪里 是平均功率分配系数基本层的数字信号,然后呢 与高斯白噪声信道噪声功率。因为数字电源和模拟电源的总和总功率是有限的 ,权力约束的关系可以表示为 在哪里 是增强层的平均功率分配模拟信号, 占用的带宽传输模拟信号,然后呢 数字信号传输的带宽占用。增强层转换后的三维变换,进一步分为每组视频帧 块的方差 - - - - - -块定义为λ我。模拟信号通过信道传输的信道噪声干扰,和扭曲可以表示为(30.]

另一方面,丢弃系数在接收机无法恢复,也引入了额外的失真 :

因此,可以被定义为最优功率分配问题

的方差 - - - - - -th块可以表示为(31日] QP是量化参数, 和 两个参数吗 - - - - - -块代表指数之间的关系λ我和QP。数字视频压缩与编码后,量化比特每像素的数量也可以进一步配备一个指数函数,拟合参数 和 ,分别。

之间的关系量化参数QP和比特每像素产生的数量 是

当一群视频帧 像素,后的比特总数获得数字压缩可以计算

4所示。实验和结果

基于软件无线电平台的实验室和MEC的修改LTE协议栈架构,完成MEC平台构建,它用作载体网络开发适合AIoT云虚拟现实系统。系统可以使用标准的商业终端或专业VR耳机端显示设备。一个完整的绩效评估拟议的系统在这个平台上执行。

4.1。MEC卸载算法验证

首先,提出学习驱动MEC任务卸载策略是通过仿真验证。假设用户的数量是10,计算任务的用户的移动终端遵循泊松分布,路径损耗指数被设置为2。

模拟后悔值的变化对MEC服务器节点的数量的迭代次数(基站)3、5、10如图6。它可以观察到网络后悔值收敛在短时间内不同数量的MEC服务器。MEC服务器数量的增加,算法的收敛速度变得缓慢,但总体收敛速度仍是合理的,这表明该MEC-MAB卸载策略具有良好的收敛性能。


图6
验证所提出的MEC卸载策略。
4.2。VR传输方案验证

MATLAB实验模拟该传输方案注重科技进步。传输系统提出了注重科技进步包含一个数据通道和控制通道。数据通道执行功能块的传输和接收结束结束,分别是基于功率分布计算来解决 和QP最小化扭曲。数据通道结合了数字传输和pseudoanalog传播。数字传输方案使用HEVC源编码和传输其基于lte网络的自适应调制和编码方案。信道编码和调制的不同组合模式可以选择。

实验模拟进行了使用标准的高清序列的分辨率 。模拟传输,视频序列中的每一帧分成64块。在实验中,每个图片组将由16帧的图像;所以,模拟的象征每个图片组分为1024系数块。视频帧率是30帧时,源带宽 是41.5 MHz。用于数据传输的带宽被定义为 ,和具体的实现过程是设计符号的数量用于源编码和信道编码在数字小于或等于一部分 。

性能的传输方案相比,本文提出的注重科技进步与现有HEVC数字视频传输方案。PSNR值测量接收结束评估视频传输的质量,和相同的带宽和功率用于两个方案。根据LTE自适应调制和编码方案,信道编码采用LTE turbo编码,编码速率 。调制方案支持正交相移编码,16 qam, 64 qam。的通道 作为一个例子,频谱效率约为1.47。表1给出的结果HEVC方案和提出的方案在注重科技进步测试序列在不同每秒当目标通道 和数字部分的频谱效率是1.47。可用的视频通道带宽的比值将源带宽β,也就是说, 。

表1
PSNR HEVC计划的结果(dB)和提出方案注重科技进步在不同每秒。

从表可以看出1当数字部分采用一定的QP价值,HEVC下的接收端视频质量的计划不会改变可用的通道带宽的变化。当 ,如果可用的通道带宽只有源带宽的1/4,数字部分的数据长度将超过可用的带宽,导致数字部分无法正确解码。相比之下,与该方法条件下,可用带宽资源是极其有限的,增加QP可以实现数字的编码和传输数据的一部分。

接下来,进一步提出方案注重科技进步和HEVC方案之间的性能比较。在不同的信道条件下,经典HEVC计划不可避免地受到悬崖效应的影响。随着信噪比的增加,频谱效率,此时HEVC QP将有机会选择一个低。考虑一个信噪比为0到20分贝, ,和10%的带宽预留给数字部分的混合自动重传。如图7拟议的计划注重科技进步,平均PSNR高于0.41 dB HEVC计划。通过将模拟信号添加到现有的数字传输方案和分模拟信号的带宽的一部分,视频质量的饱和效应在接收端可以被改善。当目标通道的信噪比高,模拟信号传输可以进一步实现更大的性能提升和AIoT受益。


图7
PSNR性能比较。

5。结论

与虚拟现实等多媒体服务的快速发展,有很大的需求在AIoT数据传输;同时,视频数据的解析是一天天增加,随着网络带宽的不断增长的挑战。因此,新的商业模式,比如云VR,吸引了更多的注意力集中在传输网络延迟。在本文中,我们设计并构建一个云VR系统基于AIoT使用MEC技术来执行动态流依赖用户角度信息。通过学习驱动MEC自动卸载策略,在缺乏先验信息,如MEC服务器计算和存储能力和通道状态,最优MEC服务器自主选择任务卸载和能耗最小化而满足用户延迟约束。结合viewpoint-aware进步流基于ROI和对象优先级在服务器端使用,带宽需求减少,和良好的VR视觉体验。与此同时,基于边缘服务器和基站之间的关系在MEC架构中,传输技术是合并注重科技进步,进一步优化传输带宽和效率AIoT云虚拟现实系统。众所周知,使用AIoT数据传输可以丰富的数据信息和增强AIoT云虚拟现实系统中的人机交互。然而,它需要更多的快速数据处理和更快的网络支持。在后续的研究中,可用性更好的压缩方案全景视频和AIoT数据传输在AIoT云虚拟现实将进一步探索,和信道衰落将进一步考虑,以实现更多的性能收益。

数据可用性

我们使用的数据是可用的,性能优化方案提出了可用于自适应数据传输的VR视频。其中部分可从相应的作者要求((电子邮件保护);(电子邮件保护))。

的利益冲突

作者宣称没有利益冲突的有关这项工作的研究和出版。

确认

我们的工作是支持的数字媒体艺术,四川省重点实验室,四川音乐学院(项目号21 dmakl01),第一批工业大学合作的合作教育项目由教育部的中华人民共和国,2021(项目号202101071001),闽江大学学校科研项目资助(项目号。MYK17021 MYK18033和MYK21011),和闽江大学引进人才科研启动基金项目没有。MJY21030)。