stanford_mask_vit_converted_externally_to_rlds

  • Description :

Sawyer poussant et ramassant des objets dans une poubelle

Diviser Exemples
'train' 9 109
'val' 91
  • Structure des fonctionnalités : 
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.),
    }),
})
  • Documentation des fonctionnalités :
Fonctionnalité Classe Forme Type D Description
FonctionnalitésDict
épisode_métadonnées FonctionnalitésDict
épisode_metadata/file_path Texte chaîne Chemin d'accès au fichier de données d'origine.
mesures Ensemble de données
étapes/actions Tenseur (5,) flotteur32 L'action du robot consiste en [3x changement de position de l'effecteur final, 1x lacet de la pince, 1x ouverture/fermeture de la pince (-1 signifie ouvrir la pince, 1 signifie fermer)].
étapes/remise Scalaire flotteur32 Remise si fournie, par défaut à 1.
étapes/is_first Tenseur bouffon
étapes/est_dernier Tenseur bouffon
étapes/is_terminal Tenseur bouffon
étapes/langue_embedding Tenseur (512,) flotteur32 Intégration du langage Kona. Voir https://tfhub.dev/google/universal-sentence-encoder-large/5
étapes/instruction_langue Texte chaîne Enseignement des langues.
étapes/observation FonctionnalitésDict
étapes/observation/end_effector_pose Tenseur (5,) flotteur32 Pose de l'effecteur terminal du robot, composée de [3x positions cartésiennes, 1x lacet de la pince, 1x position de la pince]. C'est l'état utilisé dans l'article MaskViT.
étapes/observation/finger_sensors Tenseur (1,) flotteur32 1x capteurs de doigts de pince Sawyer.
étapes/observation/high_bound Tenseur (5,) flotteur32 Limite haute pour la normalisation de la pose de l'effecteur final. Se compose de [3x positions cartésiennes, 1x lacet de préhension, 1x position de préhension].
étapes/observation/image Image (480, 480, 3) uint8 Observation RVB de la caméra principale.
étapes/observation/low_bound Tenseur (5,) flotteur32 Limite basse pour la normalisation de la pose de l'effecteur final. Se compose de [3x positions cartésiennes, 1x lacet de préhension, 1x position de préhension].
étapes/observation/état Tenseur (15,) flotteur32 L'état du robot comprend [7x angles d'articulation du robot, 7x vitesses d'articulation du robot, 1x position de la pince].
étapes/récompense Scalaire flotteur32 Récompense si fournie, 1 à la dernière étape pour les démos.
  • Citation : 
@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}
}