stanford_mask_vit_converted_externally_to_rlds

  • Descrição :

Sawyer empurrando e pegando objetos em uma lixeira

Dividir Exemplos
'train' 9.109
'val' 91
  • Estrutura de recursos : 
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.),
    }),
})
  • Documentação de recursos :
Recurso Aula Forma Tipo D Descrição
RecursosDict
episódio_metadados RecursosDict
episódio_metadados/caminho_do_arquivo Texto corda Caminho para o arquivo de dados original.
passos Conjunto de dados
etapas/ação Tensor (5,) float32 A ação do robô consiste em [3x mudança na posição do atuador final, 1x guinada da garra, 1x pinça aberta/fechada (-1 significa abrir a garra, 1 significa fechar)].
passos/desconto Escalar float32 Desconto, se fornecido, o padrão é 1.
passos/é_primeiro Tensor bool
passos/é_último Tensor bool
etapas/is_terminal Tensor bool
etapas/idioma_incorporação Tensor (512,) float32 Incorporação da linguagem Kona. Consulte https://tfhub.dev/google/universal-sentence-encoder-large/5
etapas/instrução_idioma Texto corda Instrução de Idiomas.
etapas/observação RecursosDict
etapas/observação/end_effector_pose Tensor (5,) float32 A pose do efetor final do robô consiste em [3x posição cartesiana, 1x guinada da pinça, 1x posição da pinça]. Este é o estado usado no artigo MaskViT.
passos/observação/finger_sensors Tensor (1,) float32 1x sensores de dedo da pinça Sawyer.
passos/observação/high_bound Tensor (5,) float32 Limite alto para normalização da pose do efetor final. Consiste em [3x posição cartesiana, 1x guinada da pinça, 1x posição da pinça].
passos/observação/imagem Imagem (480, 480, 3) uint8 Observação RGB da câmera principal.
passos/observação/low_bound Tensor (5,) float32 Limite baixo para normalização da pose do efetor final. Consiste em [3x posição cartesiana, 1x guinada da pinça, 1x posição da pinça].
etapas/observação/estado Tensor (15,) float32 O estado do robô consiste em [7x ângulos de articulação do robô, 7x velocidades de articulação do robô, 1x posição da garra].
passos/recompensa Escalar float32 Recompensa, se fornecida, 1 na etapa final para demonstrações.
  • Citação : 
@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}
}