stanford_mask_vit_converted_externally_to_rlds

  • תיאור :

סוייר דוחף וקוטף חפצים בפח

לְפַצֵל דוגמאות
'train' 9,109
'val' 91
  • מבנה תכונה :
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.),
    }),
})
  • תיעוד תכונה :
תכונה מַחלָקָה צוּרָה Dtype תֵאוּר
FeaturesDict
episode_metadata FeaturesDict
episode_metadata/file_path טֶקסט חוּט נתיב לקובץ הנתונים המקורי.
צעדים מערך נתונים
צעדים/פעולה מוֹתֵחַ (5,) לצוף32 פעולת רובוט, מורכבת מ[3x שינוי במיקום האפקטור הקצה, 1x פיהוק תפס, 1x פתיחה/סגירה תפס (-1 פירושו לפתוח את התפסן, 1 פירושו סגירה)].
צעדים/הנחה סקלר לצוף32 הנחה אם ניתנת, ברירת המחדל היא 1.
צעדים/הוא_ראשון מוֹתֵחַ bool
צעדים/הוא_אחרון מוֹתֵחַ bool
steps/is_terminal מוֹתֵחַ bool
שלבים/הטבעת_שפה מוֹתֵחַ (512,) לצוף32 הטבעת שפת Kona. ראה https://tfhub.dev/google/universal-sentence-encoder-large/5
שלבים/הוראת_שפה טֶקסט חוּט הוראת שפה.
צעדים/תצפית FeaturesDict
צעדים/תצפית/תנוחה_קצה מוֹתֵחַ (5,) לצוף32 תנוחת קצה רובוט, מורכבת מ[3x מיקום קרטזיאני, 1x פיהוק תפס, 1x מיקום תפס]. זהו המצב המשמש בנייר MaskViT.
צעדים/תצפית/חיישני_אצבע מוֹתֵחַ (1,) לצוף32 1x חיישני אצבע תפס Sawyer.
צעדים/תצפית/גבוה_גבוה מוֹתֵחַ (5,) לצוף32 סף גבוה לנורמליזציה של תנוחת ה-End Effector. מורכב מ[3x מיקום קרטזיאני, 1x פיהוק תפס, 1x מיקום תפס].
צעדים/תצפית/תמונה תְמוּנָה (480, 480, 3) uint8 תצפית RGB של מצלמה ראשית.
צעדים/תצפית/נמוך מוֹתֵחַ (5,) לצוף32 סף נמוך לנורמליזציה של תנוחת ה-End Effector. מורכב מ[3x מיקום קרטזיאני, 1x פיהוק תפס, 1x מיקום תפס].
צעדים/תצפית/מצב מוֹתֵחַ (15,) לצוף32 מצב רובוט, מורכב מ[7x זוויות מפרק רובוט, 7x מהירויות מפרק רובוט, 1x מיקום תפס].
צעדים/פרס סקלר לצוף32 תגמול אם מסופק, 1 בשלב האחרון להדגמות.
  • ציטוט :
@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}
}