一种面向全息视频传输的联合波束赋形和码率选择方法技术

本发明专利技术涉及一种面向全息视频传输的联合波束赋形和码率选择方法，属于通信技术领域

【技术实现步骤摘要】
一种面向全息视频传输的联合波束赋形和码率选择方法


[0001]本专利技术属于通信
，涉及一种面向全息视频传输的联合波束赋形和码率选择方法
。

技术介绍

[0002]全息视频是一种全新的视频技术，通过将三维物体或场景的图像投影到空中，使观众可以从不同的角度观看，给用户带来高度的真实感和立体感，可以用于娱乐
、
教育
、
医疗
、
广告等领域
。
点云视频是一种基于体积的全息图生成的解决方案，其利用一组离散的点来表示三维物体或场景，每个点包含了位置
、
颜色
、
法向量等属性信息，具有表达能力强
、
易于获取
、
兼容性好等优点，但也存在数据量大
、
结构复杂
、
压缩难等缺点
。
它可以实现高质量的三维场景重建和交互，适用于虚拟现实
、
增强现实
、
远程协作等应用场景
。
并且，由于其能够提供6自由度
(6DoF)
的观看体验，允许用户自由选择
3D
场景的视角，当点云视频通过将全景内容投影到头戴式显示设备上时，用户可以拥有个性化的观看体验和身临其境的感受，因此以点云格式存储的全息视频越来越受到欢迎
。
然而，全息视频在传输过程中不仅需要考虑网络带宽
、
延迟
、
丢包
、
拥塞等因素，还要考虑不同应用场景的需求
。
全息视频数据的传输对网络带宽和延迟要求较高
。
高分辨率的全息视频可能需要大量的带宽来保证传输质量，并且较高的延迟可能导致实时可视化和交互时的延迟问题，极大影响着用户的体验质量
(QoE)。
当前面向全息视频流传输的主要挑战是如何在保证视频播放质量的同时，降低数据量和传输延迟，提高传输效率和用户体验质量
。
[0003]针对全息视频流传输这一问题，目前已有相关学者进行研究
。
通过利用点云数据之间的空间和时间相关性，可以减少冗余数据，进而生成不同的视频码率版本，在通信资源不足的情况下，选择合适的码率版本传输
。
考虑在终端设备有一定计算能力情况下，对全息视频进行一种可逆的编码压缩，终端设备接收后可以通过相应的解码方式还原原始视频，这样的办法能够有效减少网络带宽和存储空间的消耗，提高传输效率
。
还有一种方案是服务器端根据用户的注视点
(Viewpoint)
预测渲染出
2D
视频，并将其编码传输到终端进行播放
。
这种方式的优点是减少了网络负载，缺点是由于预测不准确或用户切换视角造成内容的缺失
。
[0004]上述的研究对用户体验质量
QoE
指标的定义不尽相同，要么没有充分考虑全息数据的空间维度特征对用户的影响，要么没有考虑全息视频播放过程中可能出现的重新缓冲带来的体验质量下降
。
另一方面，上述研究基本都是从接收端的角度出发进而优化用户体验质量，却忽略了发射端对整个全息视频传输的影响
。
同时，复杂的无线信道环境和全息视频的多特征条件等都给资源分配决策带来了更多的挑战和难点，深度强化学习
(DRL)
已被证明在动态解决资源分配调度
、
决策选择等问题方面非常有用，它通过与环境的交互来学习最佳策略，适应环境变化和不确定性，所以全息视频在传输过程中的决策优化可以考虑使用合适的强化学习算法进行解决
。
因此，在动态的信道环境和客户端的个性化全息视频需求下，定义一个全新合理的
QoE
指标，并选择对无线
AP
的波束赋形和终端的
Tile
码率选择
进行联合优化，是在最大化累积用户体验质量问题上的一种新的解决思路和方案
。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种面向全息视频传输的联合波束赋形和码率选择方法
。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种面向全息视频传输的联合波束赋形和码率选择方法，该方法包括以下步骤：
[0008]S1
：构建一个基于协作多点
CoMP
和波束赋形技术的视频流传输网络，其中包括多个无线接入点
AP
和多个用户
UE
，无线接入点之间对所有数据进行协调调度和处理；
[0009]S2
：对全息视频进行分块处理和压缩处理，然后同时考虑全息视频的特有属性和用户的播放缓冲区状态，定义一个用户体验质量
QoE
指标；
[0010]S3
：考虑在功率约束和终端设备的计算资源约束条件下，建立一个联合波束赋形和全息视频码率选择从而求解最大化所有用户的累积
QoE
的数学模型和优化问题；
[0011]S4
：将原优化问题分解成两个子问题，分别是波束赋形子问题和分块码率选择子问题；
[0012]S5
：设计一种基于分层式架构的深度强化学习
HDRL
算法，算法的上下层策略分别采用深度确定性策略梯度
DDPG
算法和深度
Q
学习网络
DQN
算法联合求解上述两个子问题，最终达到优化目标
。
[0013]可选的，所述
S1
具体包括：
[0014]建立的网络模型包括一个中央控制服务器，
M
个单天线无线接入点和
K
个单天线边缘设备，所有的无线接入点集合用表示，所有的用户设备集合用表示；用户和无线接入点之间的信道参数记做且服从瑞利信道分布模型，波束赋形值记做另外无线信道中的高斯白噪声的功率谱密度为服从均值为0，方差为
σ2的复高斯分布；
[0015]设每个无线接入点的最大发射功率为
P
max
，则需要满足如下约束：
[0016][0017]然后计算得到对于用户
i
的信干噪比的值为：
[0018][0019]根据信道容量公式，用户
i
的数据传输速率表示为：
[0020][0021]可选的，所述
S2
具体包括：
[0022]将全息视频在空间进行划分成
N
个分块，每个分块称之为
3D Tile
，所有的
Tile
集合表示为
[0023]对于每个分块都有
L
个不同的码率等级，在每个时隙内给用户
i
发送的
Tile n
的码
率为
l
i,n
...

【技术保护点】

【技术特征摘要】
1.
一种面向全息视频传输的联合波束赋形和码率选择方法，其特征在于：该方法包括以下步骤：
S1
：构建一个基于协作多点
CoMP
和波束赋形技术的视频流传输网络，其中包括多个无线接入点
AP
和多个用户
UE
，无线接入点之间对所有数据进行协调调度和处理；
S2
：对全息视频进行分块处理和压缩处理，然后同时考虑全息视频的特有属性和用户的播放缓冲区状态，定义一个用户体验质量
QoE
指标；
S3
：考虑在功率约束和终端设备的计算资源约束条件下，建立一个联合波束赋形和全息视频码率选择从而求解最大化所有用户的累积
QoE
的数学模型和优化问题；
S4
：将原优化问题分解成两个子问题，分别是波束赋形子问题和分块码率选择子问题；
S5
：设计一种基于分层式架构的深度强化学习
HDRL
算法，算法的上下层策略分别采用深度确定性策略梯度
DDPG
算法和深度
Q
学习网络
DQN
算法联合求解上述两个子问题，最终达到优化目标
。2.
根据权利要求1所述的一种面向全息视频传输的联合波束赋形和码率选择方法，其特征在于：所述
S1
具体包括：建立的网络模型包括一个中央控制服务器，
M
个单天线无线接入点和
K
个单天线边缘设备，所有的无线接入点集合用表示，所有的用户设备集合用表示；用户和无线接入点之间的信道参数记做且服从瑞利信道分布模型，波束赋形值记做另外无线信道中的高斯白噪声的功率谱密度为服从均值为0，方差为
σ2的复高斯分布；设每个无线接入点的最大发射功率为
P
max
，则需要满足如下约束：然后计算得到对于用户
i
的信干噪比的值为：根据信道容量公式，用户
i
的数据传输速率表示为：
3.
根据权利要求2所述的一种面向全息视频传输的联合波束赋形和码率选择方法，其特征在于：所述
S2
具体包括：将全息视频在空间进行划分成
N
个分块，每个分块称之为
3D Tile
，所有的
Tile
集合表示为对于每个分块都有
L
个不同的码率等级，在每个时隙内给用户
i
发送的
Tile n
的码率为
l
i,n
，其中
l
越大码率越高，全息视频的质量越好；对于每个分块都有压缩和原始的码率版本，在每个时隙内给用户
i
发送的
Tile n
是否被压缩用
k
i,n
(t)∈{0,1}
表示，其中
k
i,n
(t)
＝1代表压缩，反之为未压缩版本；设原始全息视频的码率为
c
，则用户
i
接收到的
Tile n
的数据量大小表示为：
其中
f
表示全息视频的帧速率，
fps
为标准帧速率；
B2.
同时考虑全息视频的特有属性和用户的播放缓冲区状态，定义一个用户体验质量
QoE
指标；设
tile n
与用户
i
的视口
ViewPort
之间的距离为
dis
i,n
，距离值越大意味着该
tile
对用户的体验质量影响越小；由于
3D tile
之间的空间重叠关系，定义以用户
i
的视口为观测点
tile n
的遮挡等级
O
i,n
∈{0,1,..,5}
，0表示未遮挡，遮挡等级越大表示遮挡越多，
O
i,n
＝5表示全部遮挡，即用户完全看不到该
tile
；本文所涉及的全息视频由点云格式存储，因此设
tile n
的点云数量为
N
i
，则...

【专利技术属性】
技术研发人员：温万里，严吉平，彭晓玲，贾云健，张雨璐，罗坤，黄震，高璋杰，
申请(专利权)人：重庆大学，
类型：发明
国别省市：