robosuite_panda_pick_place_can

• وصف :

تم إنشاء مجموعات البيانات هذه باستخدام بيئة PickPlaceCan الخاصة بمحاكاة الذراع الآلية robosuite . تم تسجيل مجموعات البيانات البشرية بواسطة مشغل واحد باستخدام RLDS Creator ووحدة تحكم لوحة الألعاب.

تم تسجيل مجموعات البيانات الاصطناعية باستخدام مكتبة EnvLogger .

تتبع مجموعات البيانات تنسيق RLDS لتمثيل الخطوات والحلقات.

تتكون الحلقات من 400 خطوة. في كل حلقة، تتم إضافة علامة عند اكتمال المهمة، ويتم تخزين هذه العلامة كجزء من البيانات التعريفية للخطوة المخصصة.

لاحظ أنه نظرًا لتبعية EnvLogger، فإن إنشاء مجموعة البيانات هذه مدعوم حاليًا في بيئات Linux فقط.

• كود المصدر : tfds.rlds.datasets.robosuite_panda_pick_place_can.RobosuitePandaPickPlaceCan

• الإصدارات :

  • 1.0.0 (افتراضي): الإصدار الأولي.

• التخزين المؤقت التلقائي ( الوثائق ): لا

• المفاتيح الخاضعة للإشراف (راجع as_supervised doc ): None

• الشكل ( tfds.show_examples ): غير مدعوم.

• الاقتباس :

@misc{ramos2021rlds,
      title={RLDS: an Ecosystem to Generate, Share and Use Datasets in Reinforcement Learning},
      author={Sabela Ramos and Sertan Girgin and Léonard Hussenot and Damien Vincent and Hanna Yakubovich and Daniel Toyama and Anita Gergely and Piotr Stanczyk and Raphael Marinier and Jeremiah Harmsen and Olivier Pietquin and Nikola Momchev},
      year={2021},
      eprint={2111.02767},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

robosuite_panda_pick_place_can/human_dc29b40a (التكوين الافتراضي)

• وصف التكوين : مجموعة البيانات التي أنشأها الإنسان (50 حلقة).

• الصفحة الرئيسية : https://github.com/google-research/rlds

• حجم التحميل : 96.67 MiB

• حجم مجموعة البيانات : 407.24 MiB

• الإنشقاقات :

• هيكل الميزة :

FeaturesDict({
    'agent_id': string,
    'episode_id': string,
    'episode_index': int32,
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float64),
        'discount': float64,
        'image': Image(shape=(None, None, 3), dtype=uint8),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'Can_pos': Tensor(shape=(3,), dtype=float64),
            'Can_quat': Tensor(shape=(4,), dtype=float64),
            'Can_to_robot0_eef_pos': Tensor(shape=(3,), dtype=float64),
            'Can_to_robot0_eef_quat': Tensor(shape=(4,), dtype=float32),
            'object-state': Tensor(shape=(14,), dtype=float64),
            'robot0_eef_pos': Tensor(shape=(3,), dtype=float64),
            'robot0_eef_quat': Tensor(shape=(4,), dtype=float64),
            'robot0_gripper_qpos': Tensor(shape=(2,), dtype=float64),
            'robot0_gripper_qvel': Tensor(shape=(2,), dtype=float64),
            'robot0_joint_pos_cos': Tensor(shape=(7,), dtype=float64),
            'robot0_joint_pos_sin': Tensor(shape=(7,), dtype=float64),
            'robot0_joint_vel': Tensor(shape=(7,), dtype=float64),
            'robot0_proprio-state': Tensor(shape=(32,), dtype=float64),
        }),
        'reward': float64,
        'tag:placed': bool,
    }),
})

• وثائق الميزة :

• أمثلة ( tfds.as_dataframe ):

robosuite_panda_pick_place_can/human_images_dc29b40a

• وصف التكوين : مجموعة البيانات التي أنشأها الإنسان، بما في ذلك الصور ذات زوايا الكاميرا المختلفة في المراقبة. لاحظ أن الأمر قد يستغرق بعض الوقت للإنشاء.

• الصفحة الرئيسية : https://www.tensorflow.org/datasets/catalog/robosuite_panda_pick_place_can

• حجم التحميل : 10.95 GiB

• حجم مجموعة البيانات : 7.53 GiB

• الإنشقاقات :

• هيكل الميزة :

FeaturesDict({
    'agent_id': string,
    'episode_id': string,
    'episode_index': int32,
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float64),
        'discount': float64,
        'image': Image(shape=(None, None, 3), dtype=uint8),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'Can_pos': Tensor(shape=(3,), dtype=float64),
            'Can_quat': Tensor(shape=(4,), dtype=float64),
            'Can_to_robot0_eef_pos': Tensor(shape=(3,), dtype=float64),
            'Can_to_robot0_eef_quat': Tensor(shape=(4,), dtype=float32),
            'agentview_image': Image(shape=(256, 256, 3), dtype=uint8),
            'birdview_image': Image(shape=(256, 256, 3), dtype=uint8),
            'object-state': Tensor(shape=(14,), dtype=float64),
            'robot0_eef_pos': Tensor(shape=(3,), dtype=float64),
            'robot0_eef_quat': Tensor(shape=(4,), dtype=float64),
            'robot0_eye_in_hand_image': Image(shape=(256, 256, 3), dtype=uint8),
            'robot0_gripper_qpos': Tensor(shape=(2,), dtype=float64),
            'robot0_gripper_qvel': Tensor(shape=(2,), dtype=float64),
            'robot0_joint_pos_cos': Tensor(shape=(7,), dtype=float64),
            'robot0_joint_pos_sin': Tensor(shape=(7,), dtype=float64),
            'robot0_joint_vel': Tensor(shape=(7,), dtype=float64),
            'robot0_proprio-state': Tensor(shape=(32,), dtype=float64),
            'robot0_robotview_image': Image(shape=(256, 256, 3), dtype=uint8),
        }),
        'reward': float64,
        'tag:placed': bool,
    }),
})

• وثائق الميزة :

• أمثلة ( tfds.as_dataframe ):

robosuite_panda_pick_place_can/synthetic_stochastic_sac_afe13968

• وصف التكوين : مجموعة البيانات الاصطناعية التي تم إنشاؤها بواسطة وكيل عشوائي تم تدريبه باستخدام SAC (200 حلقة).

• الصفحة الرئيسية : https://github.com/google-research/rlds

• حجم التحميل : 144.44 MiB

• حجم مجموعة البيانات : 622.86 MiB

• الإنشقاقات :

• هيكل الميزة :

FeaturesDict({
    'agent_id': string,
    'episode_id': string,
    'episode_index': int32,
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float32),
        'discount': float64,
        'image': Image(shape=(None, None, 3), dtype=uint8),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'Can_pos': Tensor(shape=(3,), dtype=float32),
            'Can_quat': Tensor(shape=(4,), dtype=float32),
            'Can_to_robot0_eef_pos': Tensor(shape=(3,), dtype=float32),
            'Can_to_robot0_eef_quat': Tensor(shape=(4,), dtype=float32),
            'object-state': Tensor(shape=(14,), dtype=float32),
            'robot0_eef_pos': Tensor(shape=(3,), dtype=float32),
            'robot0_eef_quat': Tensor(shape=(4,), dtype=float32),
            'robot0_gripper_qpos': Tensor(shape=(2,), dtype=float32),
            'robot0_gripper_qvel': Tensor(shape=(2,), dtype=float32),
            'robot0_joint_pos_cos': Tensor(shape=(7,), dtype=float32),
            'robot0_joint_pos_sin': Tensor(shape=(7,), dtype=float32),
            'robot0_joint_vel': Tensor(shape=(7,), dtype=float32),
            'robot0_proprio-state': Tensor(shape=(32,), dtype=float32),
        }),
        'reward': float64,
        'tag:placed': bool,
    }),
})

• وثائق الميزة :

• أمثلة ( tfds.as_dataframe ):