Machine Learning and Statistical Models to Reduce Perceived Latency of Delay- Sensitive Applications

Abstract

I en verden med stadig utvikling innenfor kommunikasjonsteknologi øker etterspørselen etter nettverksarkitektur med lave forsinkelser og høy pålitelighet. Ukontrollerbare hendelser som nettverksbelastning, pakketap og jitter kan forårsake forsinkelser som påvirker kvaliteten på tjenester for forsinkelses-følsomme applikasjoner. Ettersom kunstig intelligens og maskinlæringsmodeller blir mer populære, har de nå kommet inn på området forsinkelses reduksjon og kan være en potensiell løsning for å forbedre eksisterende løsninger.

\noindent Denne oppgaven undersøker bruken av maskinlæringsmodeller for å redusere oppfattet forsinkelse i interaksjon mellom menneske og maskin. Et fysisk testmiljø bestående av en robotarm, en fjernkontroll, en PC for å tolke kommandoer og en proxy-PC for å utføre inferens når nødvendig, presenteres for å trene, teste, evaluere og justere et sett med maskinlæringsmodeller som gjennom tidligere arbeid og forskning innen lignende problemer har vist lovende resultater. Eksperimentelle resultater indikerer at modellene er i stand til å forutsi systemets fremtidige tilstand med relativt høy nøyaktighet, og at modellene er i stand til å redusere den oppfattede forsinkelsen innenfor en definert tidsramme.

In an evolving world of communication technology, the demand for low latency, high reliability network architecture is increasing. Uncontrollable events such as network congestion, packet loss, and jitter can cause delays impacting the quality of service of delay sensitive applications. As Artificial Intelligence (AI) and machine learning models are becoming more popular, they have entered the field of latency mitigation and could be a potential solution to improve existing solutions. This thesis investigates the use of machine learning models to reduce the perceived latency in human to machine interaction. This work focuses primarily on the technical aspects, but is a step towards since it can be a foundation to conduct more evaluations regarding perceived latency. A physical testbed consisting of a robotic arm, a remote controller, a PC for interpreting commands and a proxy-PC to conduct inference when necessary is presented to train, test, evaluate and tune a set of machine learning models that through previous work and research within similar problems have shown promising results. Experimental results indicate that the models are able to predict the future state of the system with relative high accuracy, and that the models are able to reduce the perceived latency within a defined time horizon.