mt_opt

Descriptif :

Ensembles de données pour l' article MT-Opt .

Page d' accueil : https://karolhausman.github.io/mt-opt/
Code source : tfds.robotics.mt_opt.MtOpt
Versions :
- 1.0.0 (par défaut) : version initiale.
Taille du téléchargement : Unknown size
Mise en cache automatique ( documentation ): Non
Clés supervisées (Voir as_supervised doc ): None
Figure ( tfds.show_examples ) : non pris en charge.
Citation :

@misc{kalashnikov2021mtopt,
      title={MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale},
      author={Dmitry Kalashnikov and Jacob Varley and Yevgen Chebotar and Benjamin Swanson and Rico Jonschkowski and Chelsea Finn and Sergey Levine and Karol Hausman},
      year={2021},
      eprint={2104.08212},
      archivePrefix={arXiv},
      primaryClass={cs.RO}
}

mt_opt/rlds (configuration par défaut)

Description de la configuration : cet ensemble de données contient des épisodes de tâches collectés sur une flotte de robots réels. Il suit le format RLDS pour représenter les étapes et les épisodes.
Taille du jeu de données : 4.38 TiB
Fractionnements :

Diviser	Exemples
`'train'`	920 165

Structure des fonctionnalités :

FeaturesDict({
    'episode_id': string,
    'skill': uint8,
    'steps': Dataset({
        'action': FeaturesDict({
            'close_gripper': bool,
            'open_gripper': bool,
            'target_pose': Tensor(shape=(7,), dtype=float32),
            'terminate': bool,
        }),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'gripper_closed': bool,
            'height_to_bottom': float32,
            'image': Image(shape=(512, 640, 3), dtype=uint8),
            'state_dense': Tensor(shape=(7,), dtype=float32),
        }),
    }),
    'task_code': string,
})

Documentation des fonctionnalités :

Caractéristique	Classer	Forme	Dtype
	FonctionnalitésDict
épisode_id	Tenseur		chaîne de caractères
compétence	Tenseur		uint8
pas	Base de données
étapes/actions	FonctionnalitésDict
étapes/action/fermer_gripper	Tenseur		bourdonner
étapes/action/open_griper	Tenseur		bourdonner
étapes/action/target_pose	Tenseur	(sept,)	float32
étapes/action/terminer	Tenseur		bourdonner
étapes/is_first	Tenseur		bourdonner
pas/est_dernier	Tenseur		bourdonner
étapes/is_terminal	Tenseur		bourdonner
étapes/observation	FonctionnalitésDict
étapes/observation/pince_fermée	Tenseur		bourdonner
marches/observation/hauteur_au_bas	Tenseur		float32
pas/observation/image	Image	(512, 640, 3)	uint8
étapes/observation/état_dense	Tenseur	(sept,)	float32
code_tâche	Tenseur		chaîne de caractères

Exemples ( tfds.as_dataframe ):

mt_opt/sd

Description de la configuration : l'ensemble de données des détecteurs de réussite qui contient des définitions humaines de l'achèvement des tâches.
Taille du jeu de données : 548.56 GiB
Fractionnements :

Diviser	Exemples
`'test'`	94 636
`'train'`	380 234

Structure des fonctionnalités :

FeaturesDict({
    'image_0': Image(shape=(512, 640, 3), dtype=uint8),
    'image_1': Image(shape=(480, 640, 3), dtype=uint8),
    'image_2': Image(shape=(480, 640, 3), dtype=uint8),
    'success': bool,
    'task_code': string,
})

Documentation des fonctionnalités :

Caractéristique	Classer	Forme	Dtype
	FonctionnalitésDict
image_0	Image	(512, 640, 3)	uint8
image_1	Image	(480, 640, 3)	uint8
image_2	Image	(480, 640, 3)	uint8
Succès	Tenseur		bourdonner
code_tâche	Tenseur		chaîne de caractères

Exemples ( tfds.as_dataframe ):