- توضیحات :
ساویر در حال هل دادن و چیدن اشیا در سطل زباله
صفحه اصلی : https://arxiv.org/abs/2206.11894
کد منبع :
tfds.robotics.rtx.StanfordMaskVitConvertedExternallyToRlds
نسخه ها :
-
0.1.0
(پیش فرض): انتشار اولیه.
-
اندازه دانلود :
Unknown size
حجم مجموعه داده :
76.17 GiB
ذخیره خودکار ( اسناد ): خیر
تقسیم ها :
تقسیم کنید | نمونه ها |
---|---|
'train' | 9,109 |
'val' | 91 |
- ساختار ویژگی :
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.),
}),
})
- مستندات ویژگی :
ویژگی | کلاس | شکل | نوع D | توضیحات |
---|---|---|---|---|
FeaturesDict | ||||
episode_metadata | FeaturesDict | |||
episode_metadata/file_path | متن | رشته | مسیر فایل داده اصلی | |
مراحل | مجموعه داده | |||
مراحل/عمل | تانسور | (5،) | float32 | عمل ربات، شامل [3 برابر تغییر در موقعیت افکتور انتهایی، 1 برابر انحراف گیره، 1 بار دستگیره باز/بستن (-1 به معنای باز کردن دستگیره، 1 به معنای بستن)] است. |
مراحل/تخفیف | اسکالر | float32 | تخفیف در صورت ارائه، پیش فرض 1 است. | |
Steps/is_first | تانسور | بوول | ||
Steps/is_last | تانسور | بوول | ||
Steps/is_terminal | تانسور | بوول | ||
Steps/language_embedding | تانسور | (512،) | float32 | تعبیه زبان کونا. به https://tfhub.dev/google/universal-sentence-encoder-large/5 مراجعه کنید |
مراحل/زبان_آموزش | متن | رشته | آموزش زبان. | |
مراحل / مشاهده | FeaturesDict | |||
steps/observation/end_effector_pose | تانسور | (5،) | float32 | ژست افکتور انتهایی ربات، شامل [3x موقعیت دکارتی، 1x گرپر انحراف، 1x موقعیت گیره] است. این حالتی است که در مقاله MaskViT استفاده می شود. |
مراحل/مشاهده/حسگرهای_انگشتی | تانسور | (1،) | float32 | 1 عدد سنسور انگشت ساویر. |
مراحل/مشاهده/بالا_کران | تانسور | (5،) | float32 | کران بالا برای نرمال سازی پوس افکتور انتهایی. شامل [3x موقعیت دکارتی، 1x انحراف گرپر، 1x موقعیت گیره] است. |
مراحل / مشاهده / تصویر | تصویر | (480، 480، 3) | uint8 | دوربین اصلی رصد RGB. |
مراحل/مشاهده/کم_کران | تانسور | (5،) | float32 | کران پایین برای نرمال سازی پوس افکتور انتهایی. شامل [3x موقعیت دکارتی، 1x انحراف گرپر، 1x موقعیت گیره] است. |
مراحل / مشاهده / حالت | تانسور | (15،) | float32 | حالت ربات، شامل [7x زوایای مفصل ربات، 7x سرعت مفصل ربات، 1x موقعیت دستگیره] است. |
مراحل/پاداش | اسکالر | float32 | در صورت ارائه پاداش، 1 در مرحله آخر برای دموها. |
کلیدهای نظارت شده (به
as_supervised
doc مراجعه کنید):None
شکل ( tfds.show_examples ): پشتیبانی نمی شود.
مثالها ( tfds.as_dataframe ):
- نقل قول :
@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}
}