austin_sirius_dataset_converted_externally_to_rlds

  • وصف :

مهام التلاعب بسطح الطاولة من فرانكا

ينقسم أمثلة
'train' 559
  • هيكل الميزة :
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'file_path': Text(shape=(), dtype=string),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float32, description=Robot action, consists of [3x ee relative pos, 3x ee relative rotation, 1x gripper action].),
        'action_mode': Tensor(shape=(1,), dtype=float32, description=Type of interaction. -1: initial human demonstration. 1: intervention. 0: autonomuos robot execution (includes pre-intervention class)),
        'discount': Scalar(shape=(), dtype=float32, description=Discount if provided, default to 1.),
        'intv_label': Tensor(shape=(1,), dtype=float32, description=Same as action_modes, except 15 timesteps preceding intervention are labeled as -10.),
        '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({
            'image': Image(shape=(84, 84, 3), dtype=uint8, description=Main camera RGB observation.),
            'state': Tensor(shape=(8,), dtype=float32, description=Default robot state, consists of [7x robot joint state, 1x gripper state].),
            'state_ee': Tensor(shape=(16,), dtype=float32, description=End-effector state, represented as 4x4 homogeneous transformation matrix of ee pose.),
            'state_gripper': Tensor(shape=(1,), dtype=float32, description=Robot gripper opening width. Ranges between ~0 (closed) to ~0.077 (open)),
            'state_joint': Tensor(shape=(7,), dtype=float32, description=Robot 7-dof joint information.),
            'wrist_image': Image(shape=(84, 84, 3), dtype=uint8, description=Wrist camera RGB observation.),
        }),
        'reward': Scalar(shape=(), dtype=float32, description=Reward if provided, 1 on final step for demos.),
    }),
})
  • وثائق الميزة :
ميزة فصل شكل نوع D وصف
المميزاتDict
الحلقة_البيانات الوصفية المميزاتDict
Episode_metadata/file_path نص خيط المسار إلى ملف البيانات الأصلي.
خطوات مجموعة البيانات
الخطوات/الإجراء الموتر (7،) float32 عمل الروبوت، يتكون من [3x ee نسبي، 3x ee دوران نسبي، 1x عمل القابض].
الخطوات/action_mode الموتر (1،) float32 نوع التفاعل. -1: العرض البشري الأولي. 1: التدخل. 0: تنفيذ الروبوت المستقل (يشمل فئة ما قبل التدخل)
الخطوات/الخصم العددية float32 الخصم إذا تم توفيره، الافتراضي هو 1.
الخطوات/intv_label الموتر (1،) float32 مثل Action_modes، باستثناء 15 خطوة زمنية تسبق التدخل يتم تصنيفها على أنها -10.
الخطوات/is_first الموتر منطقي
الخطوات/is_last الموتر منطقي
الخطوات/is_terminal الموتر منطقي
الخطوات/language_embedding الموتر (512،) float32 تضمين لغة كونا. راجع https://tfhub.dev/google/universal-sentence-encoder-large/5
الخطوات/language_instruction نص خيط تعليم اللغة.
الخطوات/الملاحظة المميزاتDict
الخطوات/الملاحظة/الصورة صورة (84، 84، 3) uint8 مراقبة الكاميرا الرئيسية RGB.
الخطوات/الملاحظة/الحالة الموتر (8،) float32 حالة الروبوت الافتراضية، تتكون من [7x حالة مفصل الروبوت، 1x حالة القابض].
الخطوات/الملاحظة/state_ee الموتر (16،) float32 حالة المستجيب النهائي، ممثلة بمصفوفة تحويل متجانسة 4 × 4 لوضعية ee.
الخطوات/الملاحظة/state_gripper الموتر (1،) float32 عرض فتحة قابض الروبوت. يتراوح بين ~0 (مغلق) إلى ~0.077 (مفتوح)
الخطوات/الملاحظة/state_joint الموتر (7،) float32 روبوت 7-dof المعلومات المشتركة.
الخطوات/الملاحظة/wrist_image صورة (84، 84، 3) uint8 مراقبة كاميرا المعصم RGB.
خطوات/مكافأة العددية float32 مكافأة إذا تم توفيرها، 1 في الخطوة النهائية للعروض التوضيحية.
  • الاقتباس :
@inproceedings{liu2022robot,
    title = {Robot Learning on the Job: Human-in-the-Loop Autonomy and Learning During Deployment},
    author = {Huihan Liu and Soroush Nasiriany and Lance Zhang and Zhiyao Bao and Yuke Zhu},
    booktitle = {Robotics: Science and Systems (RSS)},
    year = {2023}
}