mt_optar

• Descripción :

Conjuntos de datos para el artículo MT-Opt .

• Página de inicio: https://karolhausman.github.io/mt-opt/

• Código fuente : tfds.robotics.mt_opt.MtOpt

• Versiones :

  • 1.0.0 (predeterminado): versión inicial.

• Tamaño de descarga : Unknown size

• Almacenamiento automático en caché ( documentación ): No

• Claves supervisadas (Ver as_supervised doc ): None

• Figura ( tfds.show_examples ): no compatible.

• Cita :

@misc{kalashnikov2021mtopt,
      title={MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale},
      author={Dmitry Kalashnikov and Jacob Varley and Yevgen Chebotar and Benjamin Swanson and Rico Jonschkowski and Chelsea Finn and Sergey Levine and Karol Hausman},
      year={2021},
      eprint={2104.08212},
      archivePrefix={arXiv},
      primaryClass={cs.RO}
}

mt_opt/rlds (configuración predeterminada)

• Descripción de la configuración : este conjunto de datos contiene episodios de tareas recopilados en una flota de robots reales. Sigue el formato RLDS para representar pasos y episodios.

• Tamaño del conjunto de datos : 4.38 TiB

• Divisiones :

• Estructura de características :

FeaturesDict({
    'episode_id': string,
    'skill': uint8,
    'steps': Dataset({
        'action': FeaturesDict({
            'close_gripper': bool,
            'open_gripper': bool,
            'target_pose': Tensor(shape=(7,), dtype=float32),
            'terminate': bool,
        }),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'gripper_closed': bool,
            'height_to_bottom': float32,
            'image': Image(shape=(512, 640, 3), dtype=uint8),
            'state_dense': Tensor(shape=(7,), dtype=float32),
        }),
    }),
    'task_code': string,
})

• Documentación de características :

• Ejemplos ( tfds.as_dataframe ):

mt_opt/sd

• Descripción de configuración : el conjunto de datos de detectores de éxito que contiene definiciones curadas por humanos de finalización de tareas.

• Tamaño del conjunto de datos : 548.56 GiB

• Divisiones :

• Estructura de características :

FeaturesDict({
    'image_0': Image(shape=(512, 640, 3), dtype=uint8),
    'image_1': Image(shape=(480, 640, 3), dtype=uint8),
    'image_2': Image(shape=(480, 640, 3), dtype=uint8),
    'success': bool,
    'task_code': string,
})

• Documentación de características :

• Ejemplos ( tfds.as_dataframe ):