Deep Reinforcement Learning with PSO Algorithm in Agile Dodge Actions of Quadruped Robot
Rattachement africain : jp. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
This research aims to solve the highly dynamic obstacle avoidance task using Deep Reinforcement Learning (DRL) for quadruped robots. The proposed method integrates collision-free commands generation and reward design to enhance the dodge action’ learning ability of DRL policy. By deploying parabolic collision point predict and Particle Swarm Optimization (PSO) algorithm to generate rough move commands, then we use DRL policy to actively follow the command while being passively affected by collision reward. Our method enables efficient obstacle avoidance in dynamic ball shooting scenarios. Experiments show that our method has high training efficiency and a success rate of over 90% when the shooting speed of the ball is$5\sim 15\mathrm{m}/\mathrm{s}$and the reaction time is limited to 800ms.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Deep Reinforcement Learning with PSO Algorithm in Agile Dodge Actions of Quadruped Robot
- Date Crossref
- 03/08/2025
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Waseda University pays non établi dans la noticeUniversité ou école supérieure
-
The University of Kitakyushu pays non établi dans la noticeUniversité ou école supérieure
-
Graduate School of Information pays non établi dans la noticeUniversité ou école supérieure
Waseda University, The University of Kitakyushu et Graduate School of Information.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.