EuCNC & 6G Summit で口頭発表
EuCNC & 6G Summit でM2丸山が口頭発表
研究発表
国際会議 · 2025
Design and Implementation of Point Cloud-Based Space Integration with Quality-Aware Optimization
Abstract
We present a hybrid-metaverse system that integrates physical and virtual spaces through real-time point cloud processing. To address the challenges of high-bandwidth data transmission and quality management across multiple users, we introduce a ROS-based distributed architecture that combines Input Convex Neural Networks with ADMM optimization. Evaluation using the SUN RGB-D dataset under simulated 6 G conditions demonstrates our system's effectiveness, with PICNN achieving 93-94.6% accuracy in modeling user utility and the distributed approach reducing convergence time by up to 60% compared to centralized methods while maintaining sub-millisecond latency with 30 concurrent users. The results validate our framework's capability to manage real-time point cloud quality in next-generation network environments.
解説
現実の空間を点群として取り込み、遠く離れた相手の空間と一つに重ねて見せるハイブリッドメタバースでは、送るべきデータの量が問題になります。点群は密にすればするほど見た目は良くなりますが、そのぶん帯域を食うので、複数の利用者が同時に参加すると帯域の取り合いになります。誰にどれだけの品質を割り当てるかを決める必要が出てくるわけです。
このとき、利用者にとっての満足度は割り当てた帯域に対して単純な比例ではなく、ある程度までは効くがそこから先は伸びが鈍るという形をしています。効用関数というのは、この割り当て量と満足度の関係を表す関数のことです。Input Convex Neural Network は、出力が入力に対して凸になるよう構造的に制約されたニューラルネットワークで、効用関数をデータから学びながら、そのあとの最適化を凸計画として解けるようにできるという性質を持ちます。
本研究では、ROS ベースの分散アーキテクチャの上で、この ICNN と ADMM による最適化を組み合わせました。ADMM は大きな最適化問題を部分問題に分けて並列に解き、その解を突き合わせて全体解へ収束させる手法で、中央に集める方式より応答が速くなります。
SUN RGB-D データセットを使い 6G を想定した条件で評価したところ、ICNN は利用者の効用を 93〜94.6% の精度でモデル化し、分散方式は集中方式に比べて収束時間を最大 60% 短縮しながら、30 人同時接続でもミリ秒未満の遅延を保ちました。
関連する研究室活動
