Onderzoeksgroep

Draadloze interactive mobiele Extended Reality met meerdere gebruikers via Millimeter-Wave 01/10/2024 - 30/09/2025

Abstract

Extended Reality (XR) blijft aan populariteit winnen, met diverse toepassingen voor consumenten en bedrijven. Bij het ontwerpen van XR-toepassingen moet men kiezen tussen bekabelde, draadloos verbonden of zelfstandige Head-Mounted Displays (HMD's). Deze resulteren respectievelijk in beperkte gebruikersvrijheid, compressie-artefacten of beperkte visuele kwaliteit. Dit project beoogt een oplossing die de voordelen van alle voorgaande opties combineert. Draadloze Millimeter-Wave (mmWave) verbindingen verzenden video van hoge kwaliteit met erg lage latentie, maar presteren momenteel slecht bij beweging, met veelvoorkomende degradatie en zelfs onderbrekingen in de verbinding. In dit project zullen we onderzoeken hoe mmWave interactieve en mobiele XR voor meerdere gebruikers mogelijk maakt. Consistente dekking in de hele ruimte vereist meerdere Access Points (AP's), dus we zullen hun optimale plaatsing onderzoeken, samen met dynamische, proactieve toewijzing van HMD's aan AP's, inclusief latentievrije handovers. Bovendien zullen we proactieve beamforming ontwerpen voor HMD's, om consistente hoogwaardige verbindingen te behouden tijdens snelle draaibewegingen. Met hedendaagse oplossingen zoals MU-MIMO en toekomstige technologieën zoals Reconfigurable Intelligent Surfaces en Distributed Antenna Arrays verbeteren we doorvoersnelheid en betrouwbaarheid. Evaluatie zal gebeuren via een nieuw testbed en simulatie. Het ontwerp van het testbed en de simulatietools zullen open source zijn.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Van meta-leren naar levenslang leren; efficiënt en snel bekrachtigend leren in complexe omgevingen. 01/01/2019 - 31/12/2022

Abstract

Reinforcement Learning Agents hebben de afgelopen jaren ongelooflijke successen behaald, met AlphaGo's overweldigende overwinning op een van 's werelds top Go-spelers als een hoogtepunt. Een ernstige beperking van dergelijke middelen is dat ze alleen weten hoe te functioneren in een zeer specifieke omgeving; AlphaGo kan Go niet spelen met een gewijzigde set regels, laat staan ​​competitief spelen in een ander bordspel. Het meta-learning-principe is erop gericht dit te verbeteren. Door de agent niet alleen op één taak te trainen, maar op veel taken uit een distributie, kan de getrainde agent snel leren hoe hij zich in een nieuwe taak uit de distributie moet gedragen. In dit project stellen we verschillende verbeteringen voor op het gebied van meta-reinforcement learning. Eerst stellen we een meta-learner voor gebaseerd op Hierarchical Temporal Memory, dat het menselijk brein nabootst volgens ons huidige begrip ervan. Dit systeem past zich snel aan aan veranderende patronen in de omgeving - een gewenste eigenschap voor een meta-learner. We onderzoeken ook een groot aanbod aan manieren om deze taakverdelingen automatisch te genereren en evalueren hoe we efficiënt nieuwe vaardigheden kunnen introduceren bij een reeds getrainde meta-learner. Ten slotte breiden we een meta-learner uit om met niet één, maar met veel taakverdelingen te werken. Idealiter zou een dergelijk systeem in staat zijn om snel elke denkbare taak te leren uitvoeren, minstens zo goed als een mens.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject