stanford_mask_vit_converted_externally_to_rlds

  • وصف :

سوير يدفع ويلتقط الأشياء في سلة المهملات

ينقسم أمثلة
'train' 9,109
'val' 91
  • هيكل الميزة :
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'file_path': Text(shape=(), dtype=string),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(5,), dtype=float32, description=Robot action, consists of [3x change in end effector position, 1x gripper yaw, 1x open/close gripper (-1 means to open the gripper, 1 means close)].),
        'discount': Scalar(shape=(), dtype=float32, description=Discount if provided, default to 1.),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'language_embedding': Tensor(shape=(512,), dtype=float32, description=Kona language embedding. See https://tfhub.dev/google/universal-sentence-encoder-large/5),
        'language_instruction': Text(shape=(), dtype=string),
        'observation': FeaturesDict({
            'end_effector_pose': Tensor(shape=(5,), dtype=float32, description=Robot end effector pose, consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position]. This is the state used in the MaskViT paper.),
            'finger_sensors': Tensor(shape=(1,), dtype=float32, description=1x Sawyer gripper finger sensors.),
            'high_bound': Tensor(shape=(5,), dtype=float32, description=High bound for end effector pose normalization. Consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position].),
            'image': Image(shape=(480, 480, 3), dtype=uint8, description=Main camera RGB observation.),
            'low_bound': Tensor(shape=(5,), dtype=float32, description=Low bound for end effector pose normalization. Consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position].),
            'state': Tensor(shape=(15,), dtype=float32, description=Robot state, consists of [7x robot joint angles, 7x robot joint velocities,1x gripper position].),
        }),
        'reward': Scalar(shape=(), dtype=float32, description=Reward if provided, 1 on final step for demos.),
    }),
})
  • وثائق الميزة :
ميزة فصل شكل نوع D وصف
المميزاتDict
الحلقة_البيانات الوصفية المميزاتDict
Episode_metadata/file_path نص خيط المسار إلى ملف البيانات الأصلي.
خطوات مجموعة البيانات
الخطوات/الإجراء الموتر (5،) float32 يتكون عمل الروبوت من [تغيير 3x في موضع المستجيب النهائي، 1x انعراج المقبض، 1x ماسك الفتح/الإغلاق (-1 يعني فتح المقبض، 1 يعني الإغلاق)].
الخطوات/الخصم العددية float32 الخصم إذا تم توفيره، الافتراضي هو 1.
الخطوات/is_first الموتر منطقي
الخطوات/is_last الموتر منطقي
الخطوات/is_terminal الموتر منطقي
الخطوات/language_embedding الموتر (512،) float32 تضمين لغة كونا. راجع https://tfhub.dev/google/universal-sentence-encoder-large/5
الخطوات/language_instruction نص خيط تعليم اللغة.
الخطوات/الملاحظة المميزاتDict
الخطوات/الملاحظة/end_effector_pose الموتر (5،) float32 وضعية المستجيب النهائي للروبوت، تتكون من [وضعية ديكارتية 3x، انعراج المقبض 1x، وضعية المقبض 1x]. هذه هي الحالة المستخدمة في ورقة MaskViT.
الخطوات/الملاحظة/finger_sensors الموتر (1،) float32 1 × مستشعرات أصابع سوير.
الخطوات/الملاحظة/high_bound الموتر (5،) float32 حدود عالية لتطبيع المؤثر النهائي. يتكون من [3x وضع ديكارتي، 1x انعراج القابض، 1x موضع القابض].
الخطوات/الملاحظة/الصورة صورة (480، 480، 3) uint8 مراقبة الكاميرا الرئيسية RGB.
الخطوات/الملاحظة/low_bound الموتر (5،) float32 الحد الأدنى لتطبيع المؤثر النهائي. يتكون من [3x وضع ديكارتي، 1x انعراج القابض، 1x موضع القابض].
الخطوات/الملاحظة/الحالة الموتر (15،) float32 حالة الروبوت، تتكون من [7x زوايا مفصل الروبوت، 7x سرعات مفصل الروبوت، 1x موضع القابض].
خطوات/مكافأة العددية float32 مكافأة إذا تم توفيرها، 1 في الخطوة النهائية للعروض التوضيحية.
  • الاقتباس :
@inproceedings{gupta2022maskvit,
  title={MaskViT: Masked Visual Pre-Training for Video Prediction},
  author={Agrim Gupta and Stephen Tian and Yunzhi Zhang and Jiajun Wu and Roberto Martín-Martín and Li Fei-Fei},
  booktitle={International Conference on Learning Representations},
  year={2022}
}