Otimização da associação entre estações base e equipamentos de usuário com auxílio de Aprendizado Federado para suporte a Realidade Aumentada Móvel

• Hudson de P. Romualdo UFG
• Luciano de S. Fraga UFG
• Paulo F. da Conceição UFG
• Flávio Geraldo C. Rocha UFG
• Kleber V. Cardoso UFG

DOI: https://doi.org/10.5753/sbrc.2024.1448

Resumo

Aplicações imersivas, como Realidade Aumentada Móvel (MAR), dependem de suporte adequado da infraestrutura de comunicação para atender às expectativas dos usuários. Neste trabalho, investigamos o problema de associação de usuários de MAR a estações base que operam em sub-6 GHz e em ondas milimétricas. O objetivo é maximizar a imersão de múltiplos usuários que concorrem pelos recursos de comunicação, minimizando a latência de subida (uplink) e maximizando a vazão de subida e descida (downlink e uplink). Prever a posição e orientação de cada usuário pode contribuir de maneira significativa nesse processo de decisão. Para isso são avaliadas três abordagens baseadas em aprendizado de máquina: Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) e Echo State Network (ESN). No entanto, as informações dos usuários estão espalhadas nas estações base devido à mobilidade e contêm erros devido à imprecisão dos sensores. O Aprendizado Federado (FL) é então utilizado para receber os modelos locais de cada usuário em um nó central, construir modelos globais com maior exatidão e utilizá-los nas decisões de associação. Por fim, devido à complexidade do problema de otimização de associação dos usuários, propomos uma heurística eficiente para solução. Observamos que a ESN apresenta maior exatidão, no geral, enquanto a GRU converge mais rapidamente no treinamento.

Referências

Almeida, G. M., Camilo-Junior, C., Correa, S., and Cardoso, K. (2023). A Genetic Algorithm for Efficiently Solving the Virtualized Radio Access Network Placement Problem. In ICC 2023 - IEEE International Conference on Communications, pages 1874–1879.

Bartolomeo, G., Cao, J., Su, X., and Mohan, N. (2023). Characterizing Distributed Mobile Augmented Reality Applications at the Edge. In Companion of the 19th International Conference on Emerging Networking EXperiments and Technologies, CoNEXT 2023, pages 9––18, New York, NY, USA. Association for Computing Machinery.

Bianchi, F. M., Maiorino, E., Kampffmeyer, M. C., Rizzi, A., and Jenssen, R. (2017). Recurrent Neural Networks for Short-Term Load Forecasting: An Overview and Comparative Analysis. Springer International Publishing.

Chen, M., Semiari, O., Saad, W., Liu, X., and Yin, C. (2020). Federated Echo State Learning for Minimizing Breaks in Presence in Wireless Virtual Reality Networks. IEEE Transactions on Wireless Communications, 19(1):177–191.

Chung, J., Yoon, H.-J., and Gardner, H. J. (2010). Analysis of Break in Presence During Game Play Using a Linear Mixed Model. ETRI Journal, 32(5):687–694.

Ge, X., Pan, L., Li, Q., Mao, G., and Tu, S. (2017). Multipath Cooperative Communications Networks for Augmented and Virtual Reality Transmission. IEEE Transactions on Multimedia, 19(10):2345–2358.

Jain, R., Shi, J., Duan, R., Zhu, Z., Qian, X., and Ramani, K. (2023). Ubi-TOUCH: Ubiquitous Tangible Object Utilization through Consistent Hand-object interaction in Augmented Reality. In Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, UIST ’23, New York, NY, USA. Association for Computing Machinery.

Liu, F., Cui, Y., Masouros, C., Xu, J., Han, T. X., Eldar, Y. C., and Buzzi, S. (2022). Integrated Sensing and Communications: Toward Dual-Functional Wireless Networks for 6G and Beyond. IEEE Journal on Selected Areas in Communications, 40(6):1728–1767.

Lopez, P. A., Behrisch, M., Bieker-Walz, L., Erdmann, J., Flötteröd, Y.-P., Hilbrich, R., Lücken, L., Rummel, J., Wagner, P., and Wiessner, E. (2018). Microscopic Traffic Simulation using SUMO. In 2018 21st International Conference on Intelligent Transportation Systems (ITSC), pages 2575–2582.

McMahan, B., Moore, E., Ramage, D., Hampson, S., and Arcas, B. A. y. (2017). Communication-Efficient Learning of Deep Networks from Decentralized Data. In Singh, A. and Zhu, J., editors, Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, volume 54 of Proceedings of Machine Learning Research, pages 1273–1282. PMLR.

Picano, B., Scommegna, L., Vicario, E., and Fantacci, R. (2023). Echo State Learning for User Trajectory Prediction to Minimize Online Game Breaks in 6G Terahertz Networks. Journal of Sensor and Actuator Networks, 12(4).

Siriwardhana, Y., Porambage, P., Liyanage, M., and Ylianttila, M. (2021). A Survey on Mobile Augmented Reality With 5G Mobile Edge Computing: Architectures, Applications, and Technical Aspects. IEEE Communications Surveys& Tutorials, 23(2):1160–1192.

Sun, Y., Chen, Z., Tao, M., and Liu, H. (2018). Communication, Computing and Caching for Mobile VR Delivery: Modeling and Trade-Off. In 2018 IEEE International Conference on Communications (ICC), pages 1–6.

Yang, P., Quek, T. Q. S., Chen, J., You, C., and Cao, X. (2022). Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning. IEEE Transactions on Wireless Communications, 21(11):10005–10019.

Yang, X., Chen, Z., Li, K., Sun, Y., Liu, N., Xie, W., and Zhao, Y. (2018). Communication-Constrained Mobile Edge Computing Systems for Wireless Virtual Reality: Scheduling and Tradeoff. IEEE Access, 6:16665–16677.

Zäpfel, G., Braune, R., and Bögl, M. (2010). Metaheuristic Search Concepts. Springer.