austin_sirius_dataset_converted_externally_to_rlds

  • Description :

Tâches de manipulation de table Franka

Diviser Exemples
'train' 559
  • Structure des fonctionnalités :
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'file_path': Text(shape=(), dtype=string),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float32, description=Robot action, consists of [3x ee relative pos, 3x ee relative rotation, 1x gripper action].),
        'action_mode': Tensor(shape=(1,), dtype=float32, description=Type of interaction. -1: initial human demonstration. 1: intervention. 0: autonomuos robot execution (includes pre-intervention class)),
        'discount': Scalar(shape=(), dtype=float32, description=Discount if provided, default to 1.),
        'intv_label': Tensor(shape=(1,), dtype=float32, description=Same as action_modes, except 15 timesteps preceding intervention are labeled as -10.),
        '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=(84, 84, 3), dtype=uint8, description=Main camera RGB observation.),
            'state': Tensor(shape=(8,), dtype=float32, description=Default robot state, consists of [7x robot joint state, 1x gripper state].),
            'state_ee': Tensor(shape=(16,), dtype=float32, description=End-effector state, represented as 4x4 homogeneous transformation matrix of ee pose.),
            'state_gripper': Tensor(shape=(1,), dtype=float32, description=Robot gripper opening width. Ranges between ~0 (closed) to ~0.077 (open)),
            'state_joint': Tensor(shape=(7,), dtype=float32, description=Robot 7-dof joint information.),
            'wrist_image': Image(shape=(84, 84, 3), dtype=uint8, description=Wrist camera RGB observation.),
        }),
        '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 (7,) flotteur32 L'action du robot consiste en [3x ee position relative, 3x ee rotation relative, 1x action de préhension].
étapes/mode_action Tenseur (1,) flotteur32 Type d'interaction. -1 : première démonstration humaine. 1 : intervention. 0 : exécution autonome du robot (comprend un cours de pré-intervention)
étapes/remise Scalaire flotteur32 Remise si fournie, par défaut à 1.
étapes/intv_label Tenseur (1,) flotteur32 Identique à action_modes, sauf que les 15 pas de temps précédant l'intervention sont étiquetés comme -10.
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/image Image (84, 84, 3) uint8 Observation RVB de la caméra principale.
étapes/observation/état Tenseur (8,) flotteur32 L'état du robot par défaut comprend [7x état d'articulation du robot, 1x état de préhension].
étapes/observation/state_ee Tenseur (16,) flotteur32 État effecteur final, représenté sous la forme d'une matrice de transformation homogène 4x4 de la pose ee.
étapes/observation/state_gripper Tenseur (1,) flotteur32 Largeur d'ouverture de la pince du robot. Plages comprises entre ~0 (fermé) et ~0,077 (ouvert)
étapes/observation/state_joint Tenseur (7,) flotteur32 Informations conjointes du robot 7-dof.
étapes/observation/image_poignet Image (84, 84, 3) uint8 Observation RVB par caméra-bracelet.
étapes/récompense Scalaire flotteur32 Récompense si fournie, 1 à la dernière étape pour les démos.
  • Citation :
@inproceedings{liu2022robot,
    title = {Robot Learning on the Job: Human-in-the-Loop Autonomy and Learning During Deployment},
    author = {Huihan Liu and Soroush Nasiriany and Lance Zhang and Zhiyao Bao and Yuke Zhu},
    booktitle = {Robotics: Science and Systems (RSS)},
    year = {2023}
}