Jun, 2018

移动虚拟现实通信、缓存和计算：建模和权衡

PDF
TL;DR该研究提出了一种基于移动边缘计算的移动 VR 传递框架，可以在移动 VR 设备上缓存一部分视野范围并运行某些后期处理程序，从而通过优化资源分配来减小所需传输速率的平均值，以满足给定的延迟约束。
5g networksvirtual realitymobile edge computingresource allocationtransmission rate
发现论文，激发创造
  • 移动 VR 传递的通讯、计算和缓存：建模与折衷

    为了实现移动虚拟现实的传输，利用移动 VR 设备的缓存和计算能力，共同优化缓存和计算卸载策略，以减少网络流量和传输速率，并揭示通信，计算和缓存之间的权衡以及在异构场景中的优化问题。

    Apr, 2018

  • 移动边缘计算、元宇宙、6G 无线通信、人工智能和区块链：调查与它们的融合

    本研究探讨了移动边缘计算（MEC）与新兴技术的融合，其中包括 Metaverse、6G 无线通信、人工智能 (AI) 和区块链，重点关注于这些技术的技术融合，如 MEC 和 6G 的融合、MEC 与区块链的融合等，并介绍了 MEC 在移动增强现实（MAR）和 Metaverse 的应用场景。

    Sep, 2022

  • 迈向低延迟和超可靠的虚拟现实

    本文探讨了超可靠、低延迟虚拟现实应用的挑战和驱动因素，并示范了利用 mmWave 通信、边缘计算和预测性缓存的智能网络设计实现无线 VR 的未来愿景。

    Jan, 2018

  • 基于 Koopman 轨迹模型的 ISAC 启用的物联网系统中的高移动性范式和计算卸载

    移动设备上的用户体验受到有限的电池容量和处理能力的限制，但 6G 技术的进步正在迅速促使移动技术的演进。移动边缘计算（MEC）提供了一种解决方案，将计算密集型任务卸载到边缘云服务器，与本地处理相比减少了电池消耗。即将到来的移动通信的集成感知与通信可能改善轨迹预测和处理延迟。本研究提出了一种贪婪资源分配优化策略，用于多用户网络以最小化聚合能量使用。数值结果显示，每 1000 次迭代，潜在改进可达 33％。解决预测模型划分和速度精确性问题对于获得更好的结果至关重要。为即将到来的工作阶段详述了进一步改进和实现目标的计划。

    Jun, 2024

  • 基于深度强化学习的 6G 无线通信下移动边缘计算与 AI 启用的 Web3 Metaverse

    该研究提出了一种全新的质量服务（Quality-of-Service）模型，利用深度强化学习方法来找到多用户社交中接近最优的信道资源分配。全面的实验证明采用该质量服务模型可以提升整体社交体验。

    Dec, 2023

  • 虚拟化边缘计算的多用户计算卸载与下载

    本研究提出在多用户 MEC 系统中优化资源分配，解决 I/O 干扰问题，设计针对多种指标的离线调度算法，实现用户的离线调度，控制他们的离线大小并将时间分配给通信与计算。

    Nov, 2018

  • 基于综合视角的边缘云通信、计算与缓存

    本文研究了 5G 通信网络中通信、计算和缓存资源的联合优化，借助基于图形表示的学习方法以及创新的资源分配技术来实现将 3C 资源更靠近移动用户、实现低延迟、高可靠性服务的目标。

    Feb, 2018

  • 虚拟边缘计算系统中基于深度强化学习的计算卸载性能优化

    本文讨论了在移动网络中为实现计算任务的优化，如何通过最优计算分配策略，结合移动设备与 MEC 服务器的计算能力以及移动设备与基站之间的不同状态，达到最大化长期效益性能的效果，并利用 Q 函数分解技术与双深度 Q 网络相结合，实现了随机计算分配的学习算法。

    May, 2018

  • 感知极致：毫米波虚拟现实与深度强化学习相遇

    本文研究如何为无线移动用户提供超可靠、节能的虚拟现实（VR）体验，以配合协同多点传输技术和毫米波通信增强无线 VR 体验。此外，本文将无线 VR 体验增强问题制定为一个与序列相关的混合整数问题，并提出了一种基于深度强化学习 (DRL) 的优化算法来解决该问题。与各种基准算法相比，仿真结果表明，该算法比基准算法更节能（达到 4.14%）。

    Jun, 2021

  • 元宇宙中基于联邦多视图综合的研究

    基于边缘智能和深度学习的多视角合成框架，实现了在元宇宙中无线内容传输的高效计算、存储和通信资源，并通过联邦学习和转移学习，提供了有效的学习过程和快速领域适应性。

    Dec, 2023