Task-Oriented Prediction and Communication Co-Design for Haptic Communications

要約

予測は、長距離触覚通信における低遅延と高信頼性の要件を満たすための有望なアプローチとして最近考えられています。
しかし、既存の方法のほとんどは、タスクの特徴や、予測とコミュニケーションの関係を考慮していませんでした。
この論文では、システムの信頼性が通信における予測誤差とパケット損失に依存する、タスク指向の予測と通信の共同設計フレームワークを提案します。
目標は、さまざまなタスクの低遅延と高信頼性の要件に従って、必要な無線リソースを最小限に抑えることです。
具体的には、触覚通信システムのパフォーマンス メトリックとして、ちょうど目立つ差異 (JND) を考慮します。
実世界の遠隔操作テストベッドから実験データを収集し、時系列の敵対的生成ネットワーク (TimeGAN) を使用して大量の合成データを生成します。
これにより、JND しきい値、予測ホライズン、および通信信頼度と予測信頼度を含む全体的な信頼度の間の関係を取得できます。
提案されたフレームワークを実証し、デバイスの帯域幅割り当てとデータ レートを最適化するために、例として 5G New Radio を取り上げます。
数値および実験結果は、提案されたフレームワークが、タスクに依存しないベンチマークと比較して、ワイヤレス リソースの消費を最大 77.80% 削減できることを示しています。

要約(オリジナル)

Prediction has recently been considered as a promising approach to meet low-latency and high-reliability requirements in long-distance haptic communications. However, most of the existing methods did not take features of tasks and the relationship between prediction and communication into account. In this paper, we propose a task-oriented prediction and communication co-design framework, where the reliability of the system depends on prediction errors and packet losses in communications. The goal is to minimize the required radio resources subject to the low-latency and high-reliability requirements of various tasks. Specifically, we consider the just noticeable difference (JND) as a performance metric for the haptic communication system. We collect experiment data from a real-world teleoperation testbed and use time-series generative adversarial networks (TimeGAN) to generate a large amount of synthetic data. This allows us to obtain the relationship between the JND threshold, prediction horizon, and the overall reliability including communication reliability and prediction reliability. We take 5G New Radio as an example to demonstrate the proposed framework and optimize bandwidth allocation and data rates of devices. Our numerical and experimental results show that the proposed framework can reduce wireless resource consumption up to 77.80% compared with a task-agnostic benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google