Goal-oriented Semantic Communications for Robotic Waypoint Transmission: The Value and Age of Information Approach

要約

第 5 世代 (5G) 移動通信ネットワークの超高信頼性低遅延通信 (URLLC) サービスは、ロボットの安全な動作をサポートするのに苦労しています。
現在、ロボットのより安全な制御を可能にする高信頼性かつ低遅延の通信を提供する第 6 世代 (6G) 移動通信ネットワークが提案されています。
しかし、現在の 5G/6G 研究は主に通信パフォーマンスの向上に焦点を当てているのに対し、ロボット工学コミュニティは主に通信が理想的であると想定しています。
特定のロボットタスクに焦点を当てて通信とロボット制御を共同で検討するために、送信機と受信機の両方でデータのコンテキストとタスクを達成する際のその重要性を活用する、ロボット制御における目標指向セマンティックコミュニケーション（GSRC）を提案します。
送信側では、最適な制御およびコマンド (C&C) データを生成するための深層強化学習アルゴリズムと、送信の成功確率を高めるためのプロアクティブな反復スキーム (DeepPro) を提案します。
受信側では、情報の価値 (VoI) と情報の年齢 (AoI) に基づいたキュー順序付けメカニズム (VA-QOM) を設計し、AoI と VoI から抽出された意味情報に基づいてキューをランク付けします。
シミュレーション結果は、私たちが提案した GSRC フレームワークが、従来の無人航空機制御フレームワークと比較して平均二乗誤差で 91.5% の改善を達成していることを検証します。

要約(オリジナル)

The ultra-reliable and low-latency communication (URLLC) service of the fifth-generation (5G) mobile communication network struggles to support safe robot operation. Nowadays, the sixth-generation (6G) mobile communication network is proposed to provide hyper-reliable and low-latency communication to enable safer control for robots. However, current 5G/ 6G research mainly focused on improving communication performance, while the robotics community mostly assumed communication to be ideal. To jointly consider communication and robotic control with a focus on the specific robotic task, we propose goal-oriented semantic communication in robotic control (GSRC) to exploit the context of data and its importance in achieving the task at both transmitter and receiver. At the transmitter, we propose a deep reinforcement learning algorithm to generate optimal control and command (C&C) data and a proactive repetition scheme (DeepPro) to increase the successful transmission probability. At the receiver, we design the value of information (VoI) and age of information (AoI) based queue ordering mechanism (VA-QOM) to rank the queue based on the semantic information extracted from AoI and VoI. The simulation results validate that our proposed GSRC framework achieves a 91.5% improvement in the mean square error compared to the traditional unmanned aerial vehicle control framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google