eth_agent_affordances

  • Descrição :

Fornos de abertura Franka - apenas nuvem de pontos + proprio

Dividir Exemplos
'train' 118
  • Estrutura de recursos :
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'file_path': Text(shape=(), dtype=string),
        'input_point_cloud': Tensor(shape=(10000, 3), dtype=float16),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(6,), dtype=float32),
        'discount': Scalar(shape=(), dtype=float32),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'language_embedding': Tensor(shape=(512,), dtype=float32),
        'language_instruction': Text(shape=(), dtype=string),
        'observation': FeaturesDict({
            'image': Image(shape=(64, 64, 3), dtype=uint8),
            'input_point_cloud': Tensor(shape=(10000, 3), dtype=float16),
            'state': Tensor(shape=(8,), dtype=float32),
        }),
        'reward': Scalar(shape=(), dtype=float32),
    }),
})
  • 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.
episódio_metadata/input_point_cloud Tensor (10.000, 3) float16 Nuvem de pontos (somente geometria) do objeto no início do episódio (frame mundial) como uma matriz numpy (10000,3).
passos Conjunto de dados
etapas/ação Tensor (6,) float32 A ação do robô consiste em [velocidade do efetor final (v_x,v_y,v_z,omega_x,omega_y,omega_z) no quadro mundial
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
passos/observação/imagem Imagem (64, 64, 3) uint8 Observação RGB da câmera principal. Não disponível para este conjunto de dados, será definido como np.zeros.
etapas/observação/input_point_cloud Tensor (10.000, 3) float16 Nuvem de pontos (somente geometria) do objeto no início do episódio (frame mundial) como uma matriz numpy (10000,3).
etapas/observação/estado Tensor (8,) float32 Estado, consiste em [pose do efetor final (x, y, z, guinada, inclinação, rotação) no quadro mundial, 1x abertura/fechamento da pinça, 1x ângulo de abertura da porta].
passos/recompensa Escalar float32 Recompensa, se fornecida, 1 na etapa final para demonstrações.
  • Citação :
@inproceedings{schiavi2023learning,
  title={Learning agent-aware affordances for closed-loop interaction with articulated objects},
  author={Schiavi, Giulio and Wulkop, Paula and Rizzi, Giuseppe and Ott, Lionel and Siegwart, Roland and Chung, Jen Jen},
  booktitle={2023 IEEE International Conference on Robotics and Automation (ICRA)},
  pages={5916--5922},
  year={2023},
  organization={IEEE}
}