stanford_mask_vit_convertido_externalmente_a_rlds

  • Descripción :

Sawyer empujando y recogiendo objetos en un contenedor

Dividir Ejemplos
'train' 9,109
'val' 91
  • Estructura de características :
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.),
    }),
})
  • Documentación de funciones :
Característica Clase Forma tipo D Descripción
FuncionesDict
episodio_metadatos FuncionesDict
metadatos_episodio/ruta_archivo Texto cadena Ruta al archivo de datos original.
pasos Conjunto de datos
pasos/acción Tensor (5,) flotador32 La acción del robot consiste en [3 cambios en la posición del efector final, 1x guiñada de la pinza, 1x apertura/cierre de la pinza (-1 significa abrir la pinza, 1 significa cerrar)].
pasos/descuento Escalar flotador32 Descuento si se proporciona, el valor predeterminado es 1.
pasos/es_primero Tensor booleano
pasos/es_último Tensor booleano
pasos/es_terminal Tensor booleano
pasos/idioma_incrustación Tensor (512,) flotador32 Incorporación del lenguaje Kona. Consulte https://tfhub.dev/google/universal-sentence-encoder-large/5
pasos/instrucción_idioma Texto cadena Instrucción de idiomas.
pasos/observación FuncionesDict
pasos/observación/end_effector_pose Tensor (5,) flotador32 La postura del efector final del robot consta de [3x posición cartesiana, 1x guiñada de la pinza, 1x posición de la pinza]. Este es el estado utilizado en el artículo de MaskViT.
pasos/observación/sensores_dedos Tensor (1,) flotador32 1x sensores de dedos de pinza Sawyer.
pasos/observación/límite_alto Tensor (5,) flotador32 Límite superior para la normalización de la postura del efector final. Consta de [3x posición cartesiana, 1x orientación de la pinza, 1x posición de la pinza].
pasos/observación/imagen Imagen (480, 480, 3) uint8 Observación RGB de la cámara principal.
pasos/observación/límite_bajo Tensor (5,) flotador32 Límite inferior para la normalización de la postura del efector final. Consta de [3x posición cartesiana, 1x orientación de la pinza, 1x posición de la pinza].
pasos/observación/estado Tensor (15,) flotador32 El estado del robot consta de [7x ángulos de las articulaciones del robot, 7x velocidades de las articulaciones del robot, 1x posición de la pinza].
pasos/recompensa Escalar flotador32 Recompensa si se proporciona, 1 en el paso final para demostraciones.
@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}
}