columbia_cairlab_pusht_real

  • Descrizione :

UR5 compiti di spinta planare

Diviso Esempi
'test' 14
'train' 122
  • Struttura delle caratteristiche :
FeaturesDict({
    'steps': Dataset({
        'action': FeaturesDict({
            'gripper_closedness_action': float32,
            'rotation_delta': Tensor(shape=(3,), dtype=float32, description=Delta change in roll, pitch, yaw.),
            'terminate_episode': float32,
            'world_vector': Tensor(shape=(3,), dtype=float32, description=Delta change in XYZ.),
        }),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'image': Image(shape=(240, 320, 3), dtype=uint8),
            'natural_language_embedding': Tensor(shape=(512,), dtype=float32),
            'natural_language_instruction': string,
            'robot_state': Tensor(shape=(2,), dtype=float32, description=Robot end effector XY state),
            'wrist_image': Image(shape=(240, 320, 3), dtype=uint8),
        }),
        'reward': Scalar(shape=(), dtype=float32),
    }),
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
passi Set di dati
passi/azione CaratteristicheDict
passi/azione/gripper_closedness_action Tensore float32 1 se pinza chiusa, -1 se pinza aperta, 0 se nessuna modifica.
passi/azione/rotazione_delta Tensore (3,) float32 Variazione delta di rollio, beccheggio e imbardata.
passaggi/azione/termina_episodio Tensore float32
passi/azione/vettore_mondo Tensore (3,) float32 Variazione delta in XYZ.
passi/è_primo Tensore bool
passi/è_ultimo Tensore bool
passi/è_terminale Tensore bool
passi/osservazione CaratteristicheDict
passi/osservazione/immagine Immagine (240, 320, 3) uint8
passaggi/osservazione/incorporamento_linguaggio_naturale Tensore (512,) float32
passi/osservazione/istruzione_linguaggio_naturale Tensore corda
passi/osservazione/stato_robot Tensore (2,) float32 Stato XY dell'effettore finale del robot
passi/osservazione/immagine_polso Immagine (240, 320, 3) uint8
passi/ricompensa Scalare float32
  • Citazione :
@inproceedings{chi2023diffusionpolicy,
    title={Diffusion Policy: Visuomotor Policy Learning via Action Diffusion},
    author={Chi, Cheng and Feng, Siyuan and Du, Yilun and Xu, Zhenjia and Cousineau, Eric and Burchfiel, Benjamin and Song, Shuran},
    booktitle={Proceedings of Robotics: Science and Systems (RSS)},
    year={2023}
}