- বর্ণনা :
Sawyer একটি বিনে বস্তু ঠেলে ও বাছাই
হোমপেজ : https://arxiv.org/abs/2206.11894
উত্স কোড :
tfds.robotics.rtx.StanfordMaskVitConvertedExternallyToRlds
সংস্করণ :
-
0.1.0
(ডিফল্ট): প্রাথমিক প্রকাশ।
-
ডাউনলোড আকার :
Unknown size
ডেটাসেটের আকার :
76.17 GiB
স্বয়ংক্রিয় ক্যাশে ( ডকুমেন্টেশন ): না
বিভাজন :
বিভক্ত | উদাহরণ |
---|---|
'train' | 9,109 |
'val' | 91 |
- বৈশিষ্ট্য গঠন :
FeaturesDict({
'episode_metadata': FeaturesDict({
'file_path': Text(shape=(), dtype=string),
}),
'steps': Dataset({
'action': Tensor(shape=(5,), dtype=float32, description=Robot action, consists of [3x change in end effector position, 1x gripper yaw, 1x open/close gripper (-1 means to open the gripper, 1 means 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({
'end_effector_pose': Tensor(shape=(5,), dtype=float32, description=Robot end effector pose, consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position]. This is the state used in the MaskViT paper.),
'finger_sensors': Tensor(shape=(1,), dtype=float32, description=1x Sawyer gripper finger sensors.),
'high_bound': Tensor(shape=(5,), dtype=float32, description=High bound for end effector pose normalization. Consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position].),
'image': Image(shape=(480, 480, 3), dtype=uint8, description=Main camera RGB observation.),
'low_bound': Tensor(shape=(5,), dtype=float32, description=Low bound for end effector pose normalization. Consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position].),
'state': Tensor(shape=(15,), dtype=float32, description=Robot state, consists of [7x robot joint angles, 7x robot joint velocities,1x gripper position].),
}),
'reward': Scalar(shape=(), dtype=float32, description=Reward if provided, 1 on final step for demos.),
}),
})
- বৈশিষ্ট্য ডকুমেন্টেশন :
বৈশিষ্ট্য | ক্লাস | আকৃতি | ডিটাইপ | বর্ণনা |
---|---|---|---|---|
ফিচারসডিক্ট | ||||
episode_metadata | ফিচারসডিক্ট | |||
episode_metadata/file_path | পাঠ্য | স্ট্রিং | মূল ডেটা ফাইলের পথ। | |
পদক্ষেপ | ডেটাসেট | |||
পদক্ষেপ/ক্রিয়া | টেনসর | (5,) | float32 | রোবট অ্যাকশন, [এন্ড ইফেক্টরের অবস্থানে 3x পরিবর্তন, 1x গ্রিপার ইয়াও, 1x ওপেন/ক্লোজ গ্রিপার (-1 মানে গ্রিপার খোলা, 1 মানে বন্ধ)] নিয়ে গঠিত। |
পদক্ষেপ/ছাড় | স্কেলার | float32 | ডিসকাউন্ট দেওয়া হলে, ডিফল্ট 1. | |
steps/is_first | টেনসর | bool | ||
ধাপ/শেষ_শেষ | টেনসর | bool | ||
steps/is_terminal | টেনসর | bool | ||
পদক্ষেপ/ভাষা_এম্বেডিং | টেনসর | (512,) | float32 | কোন ভাষা এম্বেডিং. https://tfhub.dev/google/universal-sentence-encoder-large/5 দেখুন |
পদক্ষেপ/ভাষা_নির্দেশ | পাঠ্য | স্ট্রিং | ভাষার নির্দেশনা। | |
পদক্ষেপ/পর্যবেক্ষণ | ফিচারসডিক্ট | |||
পদক্ষেপ/পর্যবেক্ষণ/শেষ_প্রভাবক_পোজ | টেনসর | (5,) | float32 | রোবট এন্ড ইফেক্টর পোজ, [3x কার্টেসিয়ান অবস্থান, 1x গ্রিপার ইয়াও, 1x গ্রিপার অবস্থান] নিয়ে গঠিত। এটি MaskViT কাগজে ব্যবহৃত রাষ্ট্র। |
পদক্ষেপ/পর্যবেক্ষণ/আঙুল_সেন্সর | টেনসর | (1,) | float32 | 1x Sawyer গ্রিপার ফিঙ্গার সেন্সর। |
পদক্ষেপ/পর্যবেক্ষণ/উচ্চ_বাউন্ড | টেনসর | (5,) | float32 | শেষ ইফেক্টর পোজ স্বাভাবিককরণের জন্য উচ্চ আবদ্ধ। [3x কার্টেসিয়ান অবস্থান, 1x গ্রিপার ইয়াও, 1x গ্রিপার অবস্থান] নিয়ে গঠিত। |
পদক্ষেপ/পর্যবেক্ষণ/চিত্র | ছবি | (480, 480, 3) | uint8 | প্রধান ক্যামেরা আরজিবি পর্যবেক্ষণ। |
পদক্ষেপ/পর্যবেক্ষণ/নিম্ন_বাউন্ড | টেনসর | (5,) | float32 | শেষ ইফেক্টর পোজ স্বাভাবিককরণের জন্য কম আবদ্ধ। [3x কার্টেসিয়ান অবস্থান, 1x গ্রিপার ইয়াও, 1x গ্রিপার অবস্থান] নিয়ে গঠিত। |
পদক্ষেপ/পর্যবেক্ষণ/রাষ্ট্র | টেনসর | (15,) | float32 | রোবট অবস্থা, [7x রোবট জয়েন্ট অ্যাঙ্গেল, 7x রোবট জয়েন্ট বেগ, 1x গ্রিপার অবস্থান] নিয়ে গঠিত। |
পদক্ষেপ/পুরস্কার | স্কেলার | float32 | প্রদান করা হলে পুরস্কার, ডেমোর জন্য চূড়ান্ত ধাপে 1। |
তত্ত্বাবধান করা কী (দেখুন
as_supervised
doc ):None
চিত্র ( tfds.show_examples ): সমর্থিত নয়।
উদাহরণ ( tfds.as_dataframe ): অনুপস্থিত।
উদ্ধৃতি :
@inproceedings{gupta2022maskvit,
title={MaskViT: Masked Visual Pre-Training for Video Prediction},
author={Agrim Gupta and Stephen Tian and Yunzhi Zhang and Jiajun Wu and Roberto Martín-Martín and Li Fei-Fei},
booktitle={International Conference on Learning Representations},
year={2022}
}