SAWEC: Sensing-Assisted Wireless Edge Computing

要約

新興のモバイル仮想現実 (VR) システムでは、ディープ ニューラル ネットワーク (DNN) ベースのアルゴリズムの実行を通じて、超高解像度のビデオ フレーム上で複雑なコンピューター ビジョン タスクを継続的に実行する必要があります。
最先端の DNN はモバイル デバイスにとって過剰な計算能力を必要とするため、最近、ワイヤレス エッジ コンピューティング (WEC) に基づく技術が提案されています。
ただし、既存の WEC 方式では、大量のビデオ データの送信と処理が必要となり、最終的にはワイヤレス リンクが飽和状態になる可能性があります。
この論文では、この問題に対処するための新しいセンシング支援ワイヤレス エッジ コンピューティング (SAWEC) パラダイムを提案します。
SAWEC は、物理環境に関する知識を活用して、サービスの配信に関連するデータのみをエッジ サーバーに送信することで、エンドツーエンドの遅延と全体的な計算負荷を軽減します。
私たちの直観では、前のフレームに対して変更がないビデオ フレーム部分の送信は回避できると考えられます。
具体的には、無線センシング技術を活用して環境内の物体の位置を推定し、環境のダイナミクスに関する洞察を取得します。
したがって、環境変化が検出されたフレームの部分のみが送信され、処理されます。
私たちは、160 MHz で動作し、位置特定と追跡を実行する Wi-Fi 6 センシング システムを備えた 10K 360$^{\circ}$ カメラを使用して、SAWEC を評価しました。
私たちは、無響室とホールルームで 2 人の被験者を 6 つの異なる設定で実験を行います。
実験結果によると、SAWEC は、最先端の WEC アプローチと比較して、チャネル占有とエンドツーエンドのレイテンシーをそれぞれ 93.81% と 96.19% 削減し、インスタンスのセグメンテーションのパフォーマンスを 46.98% 向上させました。
再現性を高めるため、データセットとコード リポジトリ全体を共有することを約束します。

要約(オリジナル)

Emerging mobile virtual reality (VR) systems will require to continuously perform complex computer vision tasks on ultra-high-resolution video frames through the execution of deep neural networks (DNNs)-based algorithms. Since state-of-the-art DNNs require computational power that is excessive for mobile devices, techniques based on wireless edge computing (WEC) have been recently proposed. However, existing WEC methods require the transmission and processing of a high amount of video data which may ultimately saturate the wireless link. In this paper, we propose a novel Sensing-Assisted Wireless Edge Computing (SAWEC) paradigm to address this issue. SAWEC leverages knowledge about the physical environment to reduce the end-to-end latency and overall computational burden by transmitting to the edge server only the relevant data for the delivery of the service. Our intuition is that the transmission of the portion of the video frames where there are no changes with respect to previous frames can be avoided. Specifically, we leverage wireless sensing techniques to estimate the location of objects in the environment and obtain insights about the environment dynamics. Hence, only the part of the frames where any environmental change is detected is transmitted and processed. We evaluated SAWEC by using a 10K 360$^{\circ}$ camera with a Wi-Fi 6 sensing system operating at 160 MHz and performing localization and tracking. We perform experiments in an anechoic chamber and a hall room with two human subjects in six different setups. Experimental results show that SAWEC reduces the channel occupation, and end-to-end latency by 93.81%, and 96.19% respectively while improving the instance segmentation performance by 46.98% with respect to state-of-the-art WEC approaches. For reproducibility purposes, we pledge to share our whole dataset and code repository.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google