mt_opt

• Descriptif :

Ensembles de données pour l' article MT-Opt .

• Page d' accueil : https://karolhausman.github.io/mt-opt/

• Code source : tfds.robotics.mt_opt.MtOpt

• Versions :

  • 1.0.0 (par défaut) : version initiale.

• Taille du téléchargement : Unknown size

• Mise en cache automatique ( documentation ): Non

• Clés supervisées (Voir as_supervised doc ): None

• Figure ( tfds.show_examples ) : non pris en charge.

• Citation :

@misc{kalashnikov2021mtopt,
      title={MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale},
      author={Dmitry Kalashnikov and Jacob Varley and Yevgen Chebotar and Benjamin Swanson and Rico Jonschkowski and Chelsea Finn and Sergey Levine and Karol Hausman},
      year={2021},
      eprint={2104.08212},
      archivePrefix={arXiv},
      primaryClass={cs.RO}
}

mt_opt/rlds (configuration par défaut)

• Description de la configuration : cet ensemble de données contient des épisodes de tâches collectés sur une flotte de robots réels. Il suit le format RLDS pour représenter les étapes et les épisodes.

• Taille du jeu de données : 4.38 TiB

• Fractionnements :

• Structure des fonctionnalités :

FeaturesDict({
    'episode_id': string,
    'skill': uint8,
    'steps': Dataset({
        'action': FeaturesDict({
            'close_gripper': bool,
            'open_gripper': bool,
            'target_pose': Tensor(shape=(7,), dtype=float32),
            'terminate': bool,
        }),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'gripper_closed': bool,
            'height_to_bottom': float32,
            'image': Image(shape=(512, 640, 3), dtype=uint8),
            'state_dense': Tensor(shape=(7,), dtype=float32),
        }),
    }),
    'task_code': string,
})

• Documentation des fonctionnalités :

• Exemples ( tfds.as_dataframe ):

mt_opt/sd

• Description de la configuration : l'ensemble de données des détecteurs de réussite qui contient des définitions humaines de l'achèvement des tâches.

• Taille du jeu de données : 548.56 GiB

• Fractionnements :

• Structure des fonctionnalités :

FeaturesDict({
    'image_0': Image(shape=(512, 640, 3), dtype=uint8),
    'image_1': Image(shape=(480, 640, 3), dtype=uint8),
    'image_2': Image(shape=(480, 640, 3), dtype=uint8),
    'success': bool,
    'task_code': string,
})

• Documentation des fonctionnalités :

• Exemples ( tfds.as_dataframe ):