論文の概要: Deep Reinforcement Learning-driven Edge Offloading for Latency-constrained XR pipelines
- arxiv url: http://arxiv.org/abs/2603.16823v1
- Date: Tue, 17 Mar 2026 17:30:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.453355
- Title: Deep Reinforcement Learning-driven Edge Offloading for Latency-constrained XR pipelines
- Title（参考訳）: 遅延拘束型XRパイプラインの深部強化学習駆動エッジオフロード
- Authors: Sourya Saha, Saptarshi Debroy,
- Abstract要約: 没入型拡張現実(XR)アプリケーションは、リアルタイムの応答性を厳格に満たさなければならないレイテンシクリティカルなワークロードを導入します。
適応実行と計算オフロードに対する既存のアプローチは、リアルタイムレイテンシ要求とデバイスバッテリ寿命の間の持続的な相互作用を完全に捉えていない。
本稿では,エッジ支援型XRシステムに対して,実行場所,ワークロード品質,レイテンシ要件,バッテリダイナミクスを共同で検討した,バッテリ対応型実行管理フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Immersive extended reality (XR) applications introduce latency-critical workloads that must satisfy stringent real-time responsiveness while operating on energy- and battery-constrained devices, making execution placement between end devices and nearby edge servers a fundamental systems challenge. Existing approaches to adaptive execution and computation offloading typically optimize average performance metrics and do not fully capture the sustained interaction between real-time latency requirements and device battery lifetime in closed-loop XR workloads. In this paper, we present a battery-aware execution management framework for edge-assisted XR systems that jointly considers execution placement, workload quality, latency requirements, and battery dynamics. We design an online decision mechanism based on a lightweight deep reinforcement learning policy that continuously adapts execution decisions under dynamic network conditions while maintaining high motion-to-photon latency compliance. Experimental results show that the proposed approach extends the projected device battery lifetime by up to 163% compared to latency-optimal local execution while maintaining over 90% motion-to-photon latency compliance under stable network conditions. Such compliance does not fall below 80% even under significantly limited network bandwidth availability, thereby demonstrating the effectiveness of explicitly managing latency-energy trade-offs in immersive XR systems.
- Abstract（参考訳）: イマーシブ拡張現実(XR)アプリケーションは、エネルギーとバッテリに制約のあるデバイスを操作しながら、厳しいリアルタイム応答性を満たさなければならないレイテンシクリティカルなワークロードを導入し、エンドデバイスと近くのエッジサーバ間の実行の配置を根本的なシステム課題にする。
適応的な実行と計算のオフロードに対する既存のアプローチは、通常、平均的なパフォーマンスメトリクスを最適化し、クローズドループXRワークロードにおけるリアルタイムレイテンシ要求とデバイスバッテリ寿命の間の持続的な相互作用を完全にキャプチャしない。
本稿では,エッジ支援型XRシステムに対して,実行場所,ワークロード品質,レイテンシ要件,バッテリダイナミクスを共同で検討する,バッテリ対応型実行管理フレームワークを提案する。
本研究では,動的ネットワーク条件下での実行決定を連続的に適応する軽量な強化学習ポリシーに基づくオンライン意思決定機構を設計する。
実験結果から,提案手法は,安定なネットワーク条件下での動作-光子の遅延コンプライアンスを90%以上維持しながら,遅延-最適局所実行と比較して,デバイスバッテリ寿命を最大163%延長することを示した。
このようなコンプライアンスは、ネットワーク帯域幅が著しく制限された場合であっても80%以下に収まらないため、没入型XRシステムにおける遅延エネルギートレードオフを明示的に管理する効果が示される。
関連論文リスト
- Hierarchical Online-Scheduling for Energy-Efficient Split Inference with Progressive Transmission [23.81409473238433]
Deep Neural Networks(DNN)によるデバイスエッジのコラボレーティブ推論は、精度、レイテンシ、エネルギー消費の基本的なトレードオフに直面している。
本稿では,ENACHI という名前の分割推論のための新しいエネルギー精度階層型最適化フレームワークを提案する。
ImageNetデータセットの実験では、ENACHIはさまざまな期限と帯域幅で最先端のベンチマークを上回っている。
論文 参考訳（メタデータ） (2026-01-13T01:56:46Z) - TS-DP: Reinforcement Speculative Decoding For Temporal Adaptive Diffusion Policy Acceleration [64.32072516882947]
拡散ポリシーは、具体的制御が優れているが、高い推論遅延と計算コストに悩まされている。
時間認識強化に基づく投機的拡散政策(TS-DP)を提案する。
TS-DPは94%以上のドラフトで最大4.17倍高速な推論を実現し、推論周波数は25Hzに達した。
論文 参考訳（メタデータ） (2025-12-13T07:53:14Z) - Enhanced Evolutionary Multi-Objective Deep Reinforcement Learning for Reliable and Efficient Wireless Rechargeable Sensor Networks [44.91945854166524]
ワイヤレス充電式センサネットワーク(WRSN)とモバイル充電機能は、ネットワーク寿命を延ばすための有望なソリューションを提供する。
WRSNは、ノード生存率の最大化と充電エネルギー効率の最大化の間の本質的にのトレードオフから、重要な課題に直面している。
論文 参考訳（メタデータ） (2025-10-24T03:30:00Z) - Dynamic Speculative Agent Planning [57.630218933994534]
大規模な言語モデルベースのエージェントは、遅延の禁止と推論コストのために、重要なデプロイメント課題に直面している。
本稿では,オンライン強化学習フレームワークである動的投機計画(Dynamic Speculative Planning, DSP)を紹介する。
2つの標準エージェントベンチマークの実験では、DSPは高速加速法に匹敵する効率を達成し、総コストを30%削減し、不要コストを60%まで削減している。
論文 参考訳（メタデータ） (2025-09-02T03:34:36Z) - CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。
提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2025-08-15T07:49:22Z) - Adaptive Budgeted Multi-Armed Bandits for IoT with Dynamic Resource Constraints [5.694070924765916]
モノのインターネットシステムは、変動するリソース制約を管理しながら、デバイスがリアルタイムで応答しなければならない環境でますます運用される。
動的動作制限のあるIoTアプリケーションに適した,新しいBudgeted Multi-Armed Banditフレームワークを提案する。
このモデルでは,学習過程の早い段階で制限された制約違反を許容し,時間とともに厳格なコンプライアンスを徐々に実施する,崩壊する違反予算を導入している。
論文 参考訳（メタデータ） (2025-05-05T13:33:39Z) - SafeTail: Efficient Tail Latency Optimization in Edge Service Scheduling via Computational Redundancy Management [2.707215971599082]
拡張現実のような新興アプリケーションは、ユーザデバイスに高い信頼性を持つ低レイテンシコンピューティングサービスを必要とする。
私たちはSafeTailを紹介した。これは中央値と末尾の応答時間の両方の目標を満たすフレームワークで、テールレイテンシは90%以上のレイテンシで定義されています。
論文 参考訳（メタデータ） (2024-08-30T10:17:37Z) - The Fusion of Deep Reinforcement Learning and Edge Computing for Real-time Monitoring and Control Optimization in IoT Environments [2.0380092516669235]
本稿では,深層強化学習とエッジコンピューティングに基づく最適化制御システムを提案する。
その結果、このアプローチは、クラウドエッジ通信のレイテンシを低減し、異常な状況に対する応答を加速し、システム障害率を低減し、平均的な機器運用時間を延長し、手作業によるメンテナンスと置換のコストを削減できることを示した。
論文 参考訳（メタデータ） (2024-02-28T12:01:06Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for
5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。
主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。
本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文 参考訳（メタデータ） (2022-01-13T15:20:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。