Mobile HMDs must sacrifice compute performance to achieve ergonomic and power requirements for extended use. Consequently, applications must either reduce rendering and simulation complexity - along with the richness of the experience - or offload complexity to a server. Within the context of edge-computing, a popular way to do this is through render streaming. Render streaming has been demonstrated for desktops and consoles. It has also been explored for HMDs. However, the latency requirements of head tracking make this application much more challenging. While mobile GPUs are not yet as capable as their desktop counterparts, we note that they are becoming more powerful and efficient. With the hard requirements of VR, it is worth continuing to investigate what schemes could optimally balance load, latency and quality. We propose an alternative we call edge-physics: streaming at the scene-graph level from a simulation running on edge-resources, analogous to cluster rendering. Scene streaming is not only straightforward, but compute and bandwidth efficient. The most demanding loops run locally. Jobs that hit the power-wall of mobile CPUs are off-loaded, while improving GPUs are leveraged, maximising compute utilisation. In this paper we create a prototypical implementation and evaluate its potential in terms of fidelity, bandwidth and performance. We show that an effective system which maintains high consistencies on typical edge-links can be easily built, but that some traditional concepts are not applicable, and a better understanding of the perception of motion is required to evaluate such a system comprehensively.

中文翻译：

---

服务质量对VR边缘物理仿真的影响

移动HMD必须牺牲计算性能才能达到扩展使用的人体工程学和功率要求。因此，应用程序必须降低渲染和仿真的复杂性-以及丰富的体验-或将复杂性卸载到服务器。在边缘计算的上下文中，一种流行的方法是通过渲染流。已针对台式机和控制台演示了渲染流。还已经探索了HMD。然而，头部跟踪的等待时间要求使该应用更具挑战性。尽管移动GPU的功能还不如台式机，但我们注意到它们正在变得越来越强大和高效。鉴于VR的严格要求，值得继续研究哪种方案可以最佳地平衡负载，延迟和质量。我们提出了一种称为边缘物理的替代方法：通过在边缘资源上运行的模拟在场景图级别上进行流传输，类似于集群渲染。场景流不仅简单明了，而且计算效率和带宽效率都很高。最苛刻的循环在本地运行。减轻了移动CPU的工作量的工作被卸载了，同时利用了改进的GPU，从而最大程度地提高了计算利用率。在本文中，我们创建了一个原型实现，并在保真度，带宽和性能方面评估了其潜力。我们表明，可以轻松地构建在典型边缘链接上保持高一致性的有效系统，但是某些传统概念不适用，并且需要对运动感知有一个更好的理解才能全面评估该系统。通过在边缘资源上运行的模拟在场景图级别进行流传输，类似于集群渲染。场景流不仅简单明了，而且计算效率和带宽效率都很高。最苛刻的循环在本地运行。减轻了移动CPU的工作量的工作被卸载了，同时利用了改进的GPU，从而最大程度地提高了计算利用率。在本文中，我们创建了一个原型实现，并在保真度，带宽和性能方面评估了其潜力。我们表明，可以轻松地构建在典型边缘链接上保持高一致性的有效系统，但是某些传统概念不适用，并且需要对运动感知有一个更好的理解才能全面评估该系统。通过在边缘资源上运行的模拟在场景图级别进行流传输，类似于集群渲染。场景流不仅简单明了，而且计算效率和带宽效率都很高。最苛刻的循环在本地运行。减轻了移动CPU的工作量的工作被卸载了，同时利用了改进的GPU，从而最大程度地提高了计算利用率。在本文中，我们创建了一个原型实现，并在保真度，带宽和性能方面评估了其潜力。我们表明，可以轻松地构建在典型边缘链接上保持高一致性的有效系统，但是某些传统概念不适用，并且需要对运动感知有一个更好的理解才能全面评估该系统。场景流不仅简单明了，而且计算效率和带宽效率都很高。最苛刻的循环在本地运行。减轻了移动CPU的工作量的工作被卸载了，同时利用了改进的GPU，从而最大程度地提高了计算利用率。在本文中，我们创建了一个原型实现，并在保真度，带宽和性能方面评估了其潜力。我们表明，可以轻松地构建在典型边缘链接上保持高一致性的有效系统，但是某些传统概念不适用，并且需要对运动感知有一个更好的理解才能全面评估该系统。场景流不仅简单明了，而且计算效率和带宽效率都很高。最苛刻的循环在本地运行。减轻了移动CPU的工作量的工作被卸载了，同时利用了改进的GPU，从而最大程度地提高了计算利用率。在本文中，我们创建了一个原型实现，并在保真度，带宽和性能方面评估了其潜力。我们表明，可以轻松地构建在典型边缘链接上保持高一致性的有效系统，但是某些传统概念不适用，并且需要对运动感知有一个更好的理解才能全面评估该系统。最大化计算利用率。在本文中，我们创建了一个原型实现，并在保真度，带宽和性能方面评估了其潜力。我们表明，可以轻松地构建在典型边缘链接上保持高一致性的有效系统，但是某些传统概念不适用，并且需要对运动感知有一个更好的理解才能全面评估该系统。最大化计算利用率。在本文中，我们创建了一个原型实现，并在保真度，带宽和性能方面评估了其潜力。我们表明，可以轻松地构建在典型边缘链接上保持高一致性的有效系统，但是某些传统概念不适用，并且需要对运动感知有一个更好的理解才能全面评估该系统。