Aprenda o que há de mais recente em aprendizado de máquina, IA generativa e muito mais no WiML Symposium 2023 Registre-se

Esta página foi traduzida pela API Cloud Translation.

robosuite_panda_pick_place_can

Descrição :

Esses conjuntos de dados foram criados com o ambiente PickPlaceCan do simulador de braço robótico robosuite . Os conjuntos de dados humanos foram registrados por um único operador usando o RLDS Creator e um controlador de gamepad.

Os conjuntos de dados sintéticos foram registrados usando a biblioteca EnvLogger .

Os conjuntos de dados seguem o formato RLDS para representar etapas e episódios.

Os episódios consistem em 400 etapas. Em cada episódio, uma tag é adicionada quando a tarefa é concluída, essa tag é armazenada como parte dos metadados da etapa personalizada.

Observe que, devido à dependência do EnvLogger, a geração desse conjunto de dados é atualmente suportada apenas em ambientes Linux.

Código -fonte: tfds.rlds.robosuite_panda_pick_place_can.RobosuitePandaPickPlaceCan
Versões :
- 1.0.0 (padrão): versão inicial.
Armazenado em cache automaticamente ( documentação ): Não
Chaves supervisionadas (Consulte as_supervised doc ): None
Figura ( tfds.show_examples ): Não suportado.
Citação :

@misc{ramos2021rlds,
      title={RLDS: an Ecosystem to Generate, Share and Use Datasets in Reinforcement Learning},
      author={Sabela Ramos and Sertan Girgin and Léonard Hussenot and Damien Vincent and Hanna Yakubovich and Daniel Toyama and Anita Gergely and Piotr Stanczyk and Raphael Marinier and Jeremiah Harmsen and Olivier Pietquin and Nikola Momchev},
      year={2021},
      eprint={2111.02767},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

robosuite_panda_pick_place_can/human_dc29b40a (configuração padrão)

Descrição da configuração : Conjunto de dados gerado por humanos (50 episódios).
Página inicial : https://github.com/google-research/rlds
Tamanho do download : 96.67 MiB
Tamanho do conjunto de dados : 407.24 MiB
Divisões :

Dividir	Exemplos
`'train'`	50

Estrutura de recursos :

FeaturesDict({
    'agent_id': string,
    'episode_id': string,
    'episode_index': int32,
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float64),
        'discount': float64,
        'image': Image(shape=(None, None, 3), dtype=uint8),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'Can_pos': Tensor(shape=(3,), dtype=float64),
            'Can_quat': Tensor(shape=(4,), dtype=float64),
            'Can_to_robot0_eef_pos': Tensor(shape=(3,), dtype=float64),
            'Can_to_robot0_eef_quat': Tensor(shape=(4,), dtype=float32),
            'object-state': Tensor(shape=(14,), dtype=float64),
            'robot0_eef_pos': Tensor(shape=(3,), dtype=float64),
            'robot0_eef_quat': Tensor(shape=(4,), dtype=float64),
            'robot0_gripper_qpos': Tensor(shape=(2,), dtype=float64),
            'robot0_gripper_qvel': Tensor(shape=(2,), dtype=float64),
            'robot0_joint_pos_cos': Tensor(shape=(7,), dtype=float64),
            'robot0_joint_pos_sin': Tensor(shape=(7,), dtype=float64),
            'robot0_joint_vel': Tensor(shape=(7,), dtype=float64),
            'robot0_proprio-state': Tensor(shape=(32,), dtype=float64),
        }),
        'reward': float64,
        'tag:placed': bool,
    }),
})

Documentação do recurso:

Característica	Classe	Forma	Tipo D
	RecursosDict
agente_id	tensor		corda
episódio_id	tensor		corda
episódio_índice	tensor		int32
degraus	conjunto de dados
passos/ação	tensor	(7,)	float64
passos/desconto	tensor		float64
passos/imagem	Imagem	(Nenhuma, Nenhuma, 3)	uint8
passos/é_primeiro	tensor		bool
passos/é_último	tensor		bool
passos/is_terminal	tensor		bool
passos/observação	RecursosDict
passos/observação/Can_pos	tensor	(3,)	float64
passos/observação/Can_quat	tensor	(4,)	float64
passos/observação/Can_to_robot0_eef_pos	tensor	(3,)	float64
passos/observação/Can_to_robot0_eef_quat	tensor	(4,)	float32
passos/observação/estado do objeto	tensor	(14,)	float64
passos/observação/robot0_eef_pos	tensor	(3,)	float64
passos/observação/robot0_eef_quat	tensor	(4,)	float64
passos/observação/robot0_gripper_qpos	tensor	(2,)	float64
passos/observação/robot0_gripper_qvel	tensor	(2,)	float64
passos/observação/robot0_joint_pos_cos	tensor	(7,)	float64
passos/observação/robot0_joint_pos_sin	tensor	(7,)	float64
passos/observação/robot0_joint_vel	tensor	(7,)	float64
passos/observação/robot0_proprio-state	tensor	(32,)	float64
passos/recompensa	tensor		float64
passos/tag:colocado	tensor		bool

Exemplos ( tfds.as_dataframe ):

robosuite_panda_pick_place_can/human_images_dc29b40a

Descrição da configuração : Conjunto de dados gerados por humanos, incluindo imagens com diferentes ângulos de câmera na observação. Observe que pode levar algum tempo para gerar.
Página inicial : https://www.tensorflow.org/datasets/catalog/robosuite_panda_pick_place_can
Tamanho do download : 10.95 GiB
Tamanho do conjunto de dados : 7.53 GiB
Divisões :

Dividir	Exemplos
`'train'`	50

Estrutura de recursos :

FeaturesDict({
    'agent_id': string,
    'episode_id': string,
    'episode_index': int32,
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float64),
        'discount': float64,
        'image': Image(shape=(None, None, 3), dtype=uint8),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'Can_pos': Tensor(shape=(3,), dtype=float64),
            'Can_quat': Tensor(shape=(4,), dtype=float64),
            'Can_to_robot0_eef_pos': Tensor(shape=(3,), dtype=float64),
            'Can_to_robot0_eef_quat': Tensor(shape=(4,), dtype=float32),
            'agentview_image': Image(shape=(256, 256, 3), dtype=uint8),
            'birdview_image': Image(shape=(256, 256, 3), dtype=uint8),
            'object-state': Tensor(shape=(14,), dtype=float64),
            'robot0_eef_pos': Tensor(shape=(3,), dtype=float64),
            'robot0_eef_quat': Tensor(shape=(4,), dtype=float64),
            'robot0_eye_in_hand_image': Image(shape=(256, 256, 3), dtype=uint8),
            'robot0_gripper_qpos': Tensor(shape=(2,), dtype=float64),
            'robot0_gripper_qvel': Tensor(shape=(2,), dtype=float64),
            'robot0_joint_pos_cos': Tensor(shape=(7,), dtype=float64),
            'robot0_joint_pos_sin': Tensor(shape=(7,), dtype=float64),
            'robot0_joint_vel': Tensor(shape=(7,), dtype=float64),
            'robot0_proprio-state': Tensor(shape=(32,), dtype=float64),
            'robot0_robotview_image': Image(shape=(256, 256, 3), dtype=uint8),
        }),
        'reward': float64,
        'tag:placed': bool,
    }),
})

Documentação do recurso:

Característica	Classe	Forma	Tipo D
	RecursosDict
agente_id	tensor		corda
episódio_id	tensor		corda
episódio_índice	tensor		int32
degraus	conjunto de dados
passos/ação	tensor	(7,)	float64
passos/desconto	tensor		float64
passos/imagem	Imagem	(Nenhuma, Nenhuma, 3)	uint8
passos/é_primeiro	tensor		bool
passos/é_último	tensor		bool
passos/is_terminal	tensor		bool
passos/observação	RecursosDict
passos/observação/Can_pos	tensor	(3,)	float64
passos/observação/Can_quat	tensor	(4,)	float64
passos/observação/Can_to_robot0_eef_pos	tensor	(3,)	float64
passos/observação/Can_to_robot0_eef_quat	tensor	(4,)	float32
passos/observação/agentview_image	Imagem	(256, 256, 3)	uint8
passos/observação/birdview_image	Imagem	(256, 256, 3)	uint8
passos/observação/estado do objeto	tensor	(14,)	float64
passos/observação/robot0_eef_pos	tensor	(3,)	float64
passos/observação/robot0_eef_quat	tensor	(4,)	float64
passos/observação/robot0_eye_in_hand_image	Imagem	(256, 256, 3)	uint8
passos/observação/robot0_gripper_qpos	tensor	(2,)	float64
passos/observação/robot0_gripper_qvel	tensor	(2,)	float64
passos/observação/robot0_joint_pos_cos	tensor	(7,)	float64
passos/observação/robot0_joint_pos_sin	tensor	(7,)	float64
passos/observação/robot0_joint_vel	tensor	(7,)	float64
passos/observação/robot0_proprio-state	tensor	(32,)	float64
passos/observação/robot0_robotview_image	Imagem	(256, 256, 3)	uint8
passos/recompensa	tensor		float64
passos/tag:colocado	tensor		bool

Exemplos ( tfds.as_dataframe ):

robosuite_panda_pick_place_can/synthetic_stochastic_sac_afe13968

Descrição da configuração : Conjunto de dados sintético gerado por um agente estocástico treinado com SAC (200 episódios).
Página inicial : https://github.com/google-research/rlds
Tamanho do download : 144.44 MiB
Tamanho do conjunto de dados : 622.86 MiB
Divisões :

Dividir	Exemplos
`'train'`	200

Estrutura de recursos :

FeaturesDict({
    'agent_id': string,
    'episode_id': string,
    'episode_index': int32,
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float32),
        'discount': float64,
        'image': Image(shape=(None, None, 3), dtype=uint8),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': FeaturesDict({
            'Can_pos': Tensor(shape=(3,), dtype=float32),
            'Can_quat': Tensor(shape=(4,), dtype=float32),
            'Can_to_robot0_eef_pos': Tensor(shape=(3,), dtype=float32),
            'Can_to_robot0_eef_quat': Tensor(shape=(4,), dtype=float32),
            'object-state': Tensor(shape=(14,), dtype=float32),
            'robot0_eef_pos': Tensor(shape=(3,), dtype=float32),
            'robot0_eef_quat': Tensor(shape=(4,), dtype=float32),
            'robot0_gripper_qpos': Tensor(shape=(2,), dtype=float32),
            'robot0_gripper_qvel': Tensor(shape=(2,), dtype=float32),
            'robot0_joint_pos_cos': Tensor(shape=(7,), dtype=float32),
            'robot0_joint_pos_sin': Tensor(shape=(7,), dtype=float32),
            'robot0_joint_vel': Tensor(shape=(7,), dtype=float32),
            'robot0_proprio-state': Tensor(shape=(32,), dtype=float32),
        }),
        'reward': float64,
        'tag:placed': bool,
    }),
})

Documentação do recurso:

Característica	Classe	Forma	Tipo D
	RecursosDict
agente_id	tensor		corda
episódio_id	tensor		corda
episódio_índice	tensor		int32
degraus	conjunto de dados
passos/ação	tensor	(7,)	float32
passos/desconto	tensor		float64
passos/imagem	Imagem	(Nenhuma, Nenhuma, 3)	uint8
passos/é_primeiro	tensor		bool
passos/é_último	tensor		bool
passos/is_terminal	tensor		bool
passos/observação	RecursosDict
passos/observação/Can_pos	tensor	(3,)	float32
passos/observação/Can_quat	tensor	(4,)	float32
passos/observação/Can_to_robot0_eef_pos	tensor	(3,)	float32
passos/observação/Can_to_robot0_eef_quat	tensor	(4,)	float32
passos/observação/estado do objeto	tensor	(14,)	float32
passos/observação/robot0_eef_pos	tensor	(3,)	float32
passos/observação/robot0_eef_quat	tensor	(4,)	float32
passos/observação/robot0_gripper_qpos	tensor	(2,)	float32
passos/observação/robot0_gripper_qvel	tensor	(2,)	float32
passos/observação/robot0_joint_pos_cos	tensor	(7,)	float32
passos/observação/robot0_joint_pos_sin	tensor	(7,)	float32
passos/observação/robot0_joint_vel	tensor	(7,)	float32
passos/observação/robot0_proprio-state	tensor	(32,)	float32
passos/recompensa	tensor		float64
passos/tag:colocado	tensor		bool

Exemplos ( tfds.as_dataframe ):