stanford_kuka_multimodal_dataset_converted_externally_to_rlds

  • Descrizione :

Inserimento del picchetto Kuka iiwa con force feedback

Diviso Esempi
'train' 3.000
  • Struttura delle caratteristiche :
FeaturesDict({
    'episode_metadata': FeaturesDict({
    }),
    'steps': Dataset({
        'action': Tensor(shape=(4,), dtype=float32, description=Robot action, consists of [3x EEF position, 1x gripper open/close].),
        'discount': Scalar(shape=(), dtype=float32, description=Discount if provided, default to 1.),
        '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({
            'contact': Tensor(shape=(50,), dtype=float32, description=Robot contact information.),
            'depth_image': Tensor(shape=(128, 128, 1), dtype=float32, description=Main depth camera observation.),
            'ee_forces_continuous': Tensor(shape=(50, 6), dtype=float32, description=Robot end-effector forces.),
            'ee_orientation': Tensor(shape=(4,), dtype=float32, description=Robot end-effector orientation quaternion.),
            'ee_orientation_vel': Tensor(shape=(3,), dtype=float32, description=Robot end-effector orientation velocity.),
            'ee_position': Tensor(shape=(3,), dtype=float32, description=Robot end-effector position.),
            'ee_vel': Tensor(shape=(3,), dtype=float32, description=Robot end-effector velocity.),
            'ee_yaw': Tensor(shape=(4,), dtype=float32, description=Robot end-effector yaw.),
            'ee_yaw_delta': Tensor(shape=(4,), dtype=float32, description=Robot end-effector yaw delta.),
            'image': Image(shape=(128, 128, 3), dtype=uint8, description=Main camera RGB observation.),
            'joint_pos': Tensor(shape=(7,), dtype=float32, description=Robot joint positions.),
            'joint_vel': Tensor(shape=(7,), dtype=float32, description=Robot joint velocities.),
            'optical_flow': Tensor(shape=(128, 128, 2), dtype=float32, description=Optical flow.),
            'state': Tensor(shape=(8,), dtype=float32, description=Robot proprioceptive information, [7x joint pos, 1x gripper open/close].),
        }),
        'reward': Scalar(shape=(), dtype=float32, description=Reward if provided, 1 on final step for demos.),
    }),
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
metadati_episodio CaratteristicheDict
passi Set di dati
passi/azione Tensore (4,) float32 L'azione del robot consiste in [3 posizioni EEF, 1 pinza aperta/chiusa].
passi/sconto Scalare float32 Sconto se fornito, il valore predefinito è 1.
passi/è_primo Tensore bool
passi/è_ultimo Tensore bool
passi/è_terminale Tensore bool
passaggi/incorporamento_lingua Tensore (512,) float32 Incorporamento del linguaggio Kona. Vedi https://tfhub.dev/google/universal-sentence-encoder-large/5
passi/lingua_istruzioni Testo corda Insegnamento della lingua.
passi/osservazione CaratteristicheDict
passi/osservazione/contatto Tensore (50,) float32 Informazioni di contatto del robot.
passi/osservazione/profondità_immagine Tensore (128, 128, 1) float32 Osservazione principale con la telecamera di profondità.
passi/osservazione/ee_forces_continuous Tensore (50, 6) float32 Forze dell'effettore finale del robot.
passi/osservazione/ee_orientamento Tensore (4,) float32 Quaternione di orientamento dell'effettore finale del robot.
passi/osservazione/ee_orientation_vel Tensore (3,) float32 Velocità di orientamento dell'effettore finale del robot.
passi/osservazione/ee_posizione Tensore (3,) float32 Posizione dell'effettore finale del robot.
passi/osservazione/ee_vel Tensore (3,) float32 Velocità dell'effettore finale del robot.
passi/osservazione/ee_yaw Tensore (4,) float32 Imbardata dell'effettore finale del robot.
passi/osservazione/ee_yaw_delta Tensore (4,) float32 Delta di imbardata dell'effettore finale del robot.
passi/osservazione/immagine Immagine (128, 128, 3) uint8 Osservazione RGB della fotocamera principale.
passi/osservazione/joint_pos Tensore (7,) float32 Posizioni dei giunti del robot.
passi/osservazione/joint_vel Tensore (7,) float32 Velocità dei giunti dei robot.
passi/osservazione/flusso_ottico Tensore (128, 128, 2) float32 Flusso ottico.
passi/osservazione/stato Tensore (8,) float32 Informazioni propriocettive del robot, [7x posizione articolare, 1x pinza aperta/chiusa].
passi/ricompensa Scalare float32 Ricompensa se fornita, 1 nel passaggio finale per le demo.
@inproceedings{lee2019icra,
  title={Making sense of vision and touch: Self-supervised learning of multimodal representations for contact-rich tasks},
  author={Lee, Michelle A and Zhu, Yuke and Srinivasan, Krishnan and Shah, Parth and Savarese, Silvio and Fei-Fei, Li and  Garg, Animesh and Bohg, Jeannette},
  booktitle={2019 IEEE International Conference on Robotics and Automation (ICRA)},
  year={2019},
  url={https://arxiv.org/abs/1810.10191}
}