Jul, 2022

基于采样、通信和预测协同设计的元宇宙中现实设备和数字模型同步化

PDF
TL;DR该研究提出了一种基于采样，通信和预测的元宇宙设备同步设计框架，通过利用专家知识和开发知识辅助的约束双延迟深确定性策略梯度算法实现最小化通信负荷目标，优化采样率和预测时间，从而在真实设备和元宇宙数字模型之间实现最小均方误差跟踪。
metaversemixed realitycommunicationpredictiondeep reinforcement learning
发现论文，激发创造
  • 工业物联网中基于深度强化学习的协作 DNN 推断保证准确性

    本文研究了工业物联网网络中协作深度神经网络推理问题，提出了一种基于深度强化学习的算法，将动态配置物联网设备的采样率、推理任务卸载和边缘计算资源分配共同考虑，通过转化为马尔可夫决策过程来最小化服务延迟并保证准确性。

    Dec, 2022

  • 基于深度强化学习的移动边缘对抗检测在数字孪生与元宇宙中的应用

    本研究旨在解决互联网车联网拍摄实时场景并将其投入虚拟现实的实时数字双生技术中，从而应用于增强现实辅助驾驶；同时，针对数字双生技术招致了对手攻击的问题，提出了一种基于异构行动近端策略优化（HAPPO）算法的解决方法。实验结果表明，HAPPO 在关键指标上优于基准模型。

    Mar, 2023

  • 利用异步混合强化学习在无线通信下的元宇宙延迟和可靠性优化

    文章提出在 Metaverse 中异步联合上下行场景中，设计了一个新型的多智能体强化学习算法结构来优化计算卸载和通道分配决策，以及优化下行阶段的传输功率，实验结果表明该算法相较于现有算法能够在满意的训练时间内获得更好的解决方案。

    Dec, 2022

  • 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

  • 基于数字孪生技术的边缘辅助移动增强现实三维地图管理

    本篇论文提出了一种数字孪生基于的 3D 地图管理方案，利用模型驱动增强学习算法对摄像头逐帧预测和上传，以解决动态环境中边缘增强现实设备姿态估计不确定性和数据不足的问题。模拟结果表明，该方案可以在动态环境中实现更低的姿态估计不确定性和更高的数据效率。

    May, 2023

  • CoDreamer：基于通信的分散式世界模型

    在强化学习中，样本效率是一个关键挑战。本研究引入了 CoDreamer，这是 Dreamer 算法在多智能体环境中的扩展，利用图神经网络构建了一个双层通信系统来解决部分可观测性和智能体合作等问题。我们证明了 CoDreamer 比使用 Dreamer 的简单方法具有更强的表达能力，并在各种多智能体环境中展示了其优越性能。

    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

  • 自给自足的多接入机制与连续深度强化学习用于动态元宇宙应用

    在 6G 通信系统中，Metaverse 为一种新范式，旨在创建由许多世界构成的虚拟环境，其中每个世界都提供不同的服务。本文通过使用自适应人工智能（Adaptive AI）来实现自持续性策略，解决了多通道环境下的多用户接入问题，提出了一种基于连续学习的双重深度 Q 学习（DDQL）技术，该技术可以有效地提高吞吐量并在高度动态场景下快速收敛。

    Sep, 2023

  • 基于视觉的元宇宙服务语义传播：竞赛理论方法

    建议使用语义通信框架和深度 Q 网络优化资源分配，以实现虚拟现实环境中的角色关联的资源分配，确保用户在 Metaverse 中获得流畅而沉浸的体验。

    Aug, 2023

  • 通过基于记忆的通信提高小规模多智体深度强化学习中的协调

    本文提出了一个基于深度确定性策略梯度的多智能体训练框架，利用存储设备并发端到端学习明确的通信协议，来提高小规模系统中智能体的协作和性能，同时研究了不同通信模式对性能的影响。

    Jan, 2019