asu_table_top_converted_externally_to_rlds

  • وصف :

يقوم UR5 بأداء مهام الاختيار/المكان/التدوير على سطح الطاولة

ينقسم أمثلة
'train' 110
  • هيكل الميزة :
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'file_path': Text(shape=(), dtype=string),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float32, description=Robot action, consists of [7x joint velocities, 2x gripper velocities, 1x terminate episode].),
        'action_delta': Tensor(shape=(7,), dtype=float32, description=Robot delta action, consists of [7x joint velocities, 2x gripper velocities, 1x terminate episode].),
        'action_inst': Text(shape=(), dtype=string),
        'discount': Scalar(shape=(), dtype=float32, description=Discount if provided, default to 1.),
        'goal_object': Text(shape=(), dtype=string),
        'ground_truth_states': FeaturesDict({
            'EE': Tensor(shape=(6,), dtype=float32, description=xyzrpy),
            'bottle': Tensor(shape=(6,), dtype=float32, description=xyzrpy),
            'bread': Tensor(shape=(6,), dtype=float32, description=xyzrpy),
            'coke': Tensor(shape=(6,), dtype=float32, description=xyzrpy),
            'cube': Tensor(shape=(6,), dtype=float32, description=xyzrpy),
            'milk': Tensor(shape=(6,), dtype=float32, description=xyzrpy),
            'pepsi': Tensor(shape=(6,), dtype=float32, description=xyzrpy),
        }),
        '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({
            'image': Image(shape=(224, 224, 3), dtype=uint8, description=Main camera RGB observation.),
            'state': Tensor(shape=(7,), dtype=float32, description=Robot state, consists of [6x robot joint angles, 1x gripper position].),
            'state_vel': Tensor(shape=(7,), dtype=float32, description=Robot joint velocity, consists of [6x robot joint angles, 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 (7،) float32 يتكون عمل الروبوت من [سرعات مفصلية 7x، وسرعات قابض 2x، وحلقة إنهاء 1x].
الخطوات/action_delta الموتر (7،) float32 يتكون عمل دلتا الروبوت من [سرعات مشتركة 7x، وسرعات قابض 2x، وحلقة إنهاء 1x].
الخطوات/action_inst نص خيط الإجراء الذي يتعين القيام به.
الخطوات/الخصم العددية float32 الخصم إذا تم توفيره، الافتراضي هو 1.
الخطوات/goal_object نص خيط كائن ليتم التلاعب به.
الخطوات/ground_truth_states المميزاتDict
الخطوات/ground_truth_states/EE الموتر (6،) float32 com.xyzrpy
الخطوات/ground_truth_states/bottle الموتر (6،) float32 com.xyzrpy
الخطوات/ground_truth_states/bread الموتر (6،) float32 com.xyzrpy
الخطوات/ground_truth_states/coke الموتر (6،) float32 com.xyzrpy
الخطوات/ground_truth_states/cube الموتر (6،) float32 com.xyzrpy
الخطوات/ground_truth_states/milk الموتر (6،) float32 com.xyzrpy
الخطوات/ground_truth_states/pepsi الموتر (6،) float32 com.xyzrpy
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/الصورة صورة (224، 224، 3) uint8 مراقبة الكاميرا الرئيسية RGB.
الخطوات/الملاحظة/الحالة الموتر (7،) float32 حالة الروبوت، تتكون من [6x زوايا مفصل الروبوت، 1x موضع القابض].
الخطوات/الملاحظة/state_vel الموتر (7،) float32 سرعة مفصل الروبوت، تتكون من [6x زوايا مفصل الروبوت، 1x موضع القابض].
خطوات/مكافأة العددية float32 مكافأة إذا تم توفيرها، 1 في الخطوة النهائية للعروض التوضيحية.
  • الاقتباس :
@inproceedings{zhou2023modularity,
  title={Modularity through Attention: Efficient Training and Transfer of Language-Conditioned Policies for Robot Manipulation},
  author={Zhou, Yifan and Sonawani, Shubham and Phielipp, Mariano and Stepputtis, Simon and Amor, Heni},
  booktitle={Conference on Robot Learning},
  pages={1684--1695},
  year={2023},
  organization={PMLR}
}
@article{zhou2023learning,
  title={Learning modular language-conditioned robot policies through attention},
  author={Zhou, Yifan and Sonawani, Shubham and Phielipp, Mariano and Ben Amor, Heni and Stepputtis, Simon},
  journal={Autonomous Robots},
  pages={1--21},
  year={2023},
  publisher={Springer}
}