stanford_robocook_converted_externally_to_rlds

  • 説明

さまざまな道具を使って餃子を作るフランカ

スプリット
'train' 2,460
  • 機能の構造:
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'extrinsics_1': Tensor(shape=(4, 4), dtype=float32, description=Camera 1 Extrinsic Matrix.),
        'extrinsics_2': Tensor(shape=(4, 4), dtype=float32, description=Camera 2 Extrinsic Matrix.),
        'extrinsics_3': Tensor(shape=(4, 4), dtype=float32, description=Camera 3 Extrinsic Matrix.),
        'extrinsics_4': Tensor(shape=(4, 4), dtype=float32, description=Camera 4 Extrinsic Matrix.),
        'file_path': Text(shape=(), dtype=string),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float32, description=Robot action, consists of [3x robot end-effector velocities, 3x robot end-effector angular velocities, 1x gripper velocity].),
        '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({
            'depth_1': Tensor(shape=(256, 256), dtype=float32, description=Camera 1 Depth observation.),
            'depth_2': Tensor(shape=(256, 256), dtype=float32, description=Camera 2 Depth observation.),
            'depth_3': Tensor(shape=(256, 256), dtype=float32, description=Camera 3 Depth observation.),
            'depth_4': Tensor(shape=(256, 256), dtype=float32, description=Camera 4 Depth observation.),
            'image_1': Image(shape=(256, 256, 3), dtype=uint8, description=Camera 1 RGB observation.),
            'image_2': Image(shape=(256, 256, 3), dtype=uint8, description=Camera 2 RGB observation.),
            'image_3': Image(shape=(256, 256, 3), dtype=uint8, description=Camera 3 RGB observation.),
            'image_4': Image(shape=(256, 256, 3), dtype=uint8, description=Camera 4 RGB observation.),
            'state': Tensor(shape=(7,), dtype=float32, description=Robot state, consists of [3x robot end-effector position, 3x robot end-effector euler angles, 1x gripper position].),
        }),
        'reward': Scalar(shape=(), dtype=float32, description=Reward if provided, 1 on final step for demos.),
    }),
})
  • 機能ドキュメント:
特徴クラスDタイプ説明
特徴辞書
エピソード_メタデータ特徴辞書
エピソード_メタデータ/extrinsics_1テンソル(4, 4) float32カメラ 1 の外部マトリックス。
エピソード_メタデータ/extrinsics_2テンソル(4,4) float32カメラ 2 の外部マトリックス。
エピソード_メタデータ/extrinsics_3テンソル(4,4) float32カメラ 3 の外部マトリックス。
エピソード_メタデータ/extrinsics_4テンソル(4,4) float32カメラ 4 の外部マトリックス。
エピソードメタデータ/ファイルパス文章元のデータ ファイルへのパス。
ステップデータセット
ステップ/アクションテンソル(7,) float32ロボットの動作は、[3x ロボット エンド エフェクター速度、3x ロボット エンド エフェクター角速度、1x グリッパー速度] で構成されます。
歩数/割引スカラーfloat32割引が指定されている場合、デフォルトは 1 です。
ステップ/is_firstテンソルブール
ステップ/is_lastテンソルブール
ステップ/is_terminalテンソルブール
ステップ/言語_埋め込みテンソル(512,) float32コナ言語の埋め込み。 https://tfhub.dev/google/universal-sentence-encoder-large/5を参照してください。
ステップ/言語説明文章言語指導。
ステップ/観察特徴辞書
歩数/観察/深さ_1テンソル(256、256) float32カメラ 1 深度観察。
歩数/観察/深さ_2テンソル(256、256) float32カメラ 2 深度観察。
歩数/観察/深さ_3テンソル(256、256) float32カメラ 3 深度観察。
歩数/観察/深さ_4テンソル(256、256) float32カメラ 4 深度観察。
ステップ/観察/画像_1画像(256, 256, 3) uint8カメラ1 RGB観察。
ステップ/観察/画像_2画像(256, 256, 3) uint8カメラ2 RGB観察。
ステップ/観察/画像_3画像(256, 256, 3) uint8カメラ3 RGB観察。
ステップ/観察/画像_4画像(256, 256, 3) uint8カメラ4 RGB観察。
ステップ/観察/状態テンソル(7,) float32ロボットの状態は、[3x ロボット エンド エフェクターの位置、3x ロボット エンド エフェクターのオイラー角、1x グリッパーの位置] で構成されます。
歩数/報酬スカラーfloat32提供されている場合は報酬、デモの最終ステップで 1。
@article{shi2023robocook,
  title={RoboCook: Long-Horizon Elasto-Plastic Object Manipulation with Diverse Tools},
  author={Shi, Haochen and Xu, Huazhe and Clarke, Samuel and Li, Yunzhu and Wu, Jiajun},
  journal={arXiv preprint arXiv:2306.14447},
  year={2023}
}