stanford_kuka_multimodal_dataset_convertido_externalmente_a_rlds

  • Descripción :

Inserción de clavijas Kuka iiwa con retroalimentación de fuerza

Dividir Ejemplos
'train' 3.000
  • Estructura de características :
FeaturesDict({
    'episode_metadata': FeaturesDict({
    }),
    'steps': Dataset({
        'action': Tensor(shape=(4,), dtype=float32, description=Robot action, consists of [3x EEF position, 1x gripper open/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({
            'contact': Tensor(shape=(50,), dtype=float32, description=Robot contact information.),
            'depth_image': Tensor(shape=(128, 128, 1), dtype=float32, description=Main depth camera observation.),
            'ee_forces_continuous': Tensor(shape=(50, 6), dtype=float32, description=Robot end-effector forces.),
            'ee_orientation': Tensor(shape=(4,), dtype=float32, description=Robot end-effector orientation quaternion.),
            'ee_orientation_vel': Tensor(shape=(3,), dtype=float32, description=Robot end-effector orientation velocity.),
            'ee_position': Tensor(shape=(3,), dtype=float32, description=Robot end-effector position.),
            'ee_vel': Tensor(shape=(3,), dtype=float32, description=Robot end-effector velocity.),
            'ee_yaw': Tensor(shape=(4,), dtype=float32, description=Robot end-effector yaw.),
            'ee_yaw_delta': Tensor(shape=(4,), dtype=float32, description=Robot end-effector yaw delta.),
            'image': Image(shape=(128, 128, 3), dtype=uint8, description=Main camera RGB observation.),
            'joint_pos': Tensor(shape=(7,), dtype=float32, description=Robot joint positions.),
            'joint_vel': Tensor(shape=(7,), dtype=float32, description=Robot joint velocities.),
            'optical_flow': Tensor(shape=(128, 128, 2), dtype=float32, description=Optical flow.),
            'state': Tensor(shape=(8,), dtype=float32, description=Robot proprioceptive information, [7x joint pos, 1x gripper open/close].),
        }),
        '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
pasos Conjunto de datos
pasos/acción Tensor (4,) flotador32 La acción del robot consta de [3 posiciones EEF, 1 apertura/cierre de la pinza].
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/contacto Tensor (50,) flotador32 Información de contacto del robot.
pasos/observación/imagen_profundidad Tensor (128, 128, 1) flotador32 Observación de la cámara principal de profundidad.
pasos/observación/ee_forces_continuous Tensor (50, 6) flotador32 Fuerzas efectoras finales del robot.
pasos/observación/ee_orientación Tensor (4,) flotador32 Cuaternión de orientación del efector final del robot.
pasos/observación/ee_orientation_vel Tensor (3,) flotador32 Velocidad de orientación del efector final del robot.
pasos/observación/ee_position Tensor (3,) flotador32 Posición del efector final del robot.
pasos/observación/ee_vel Tensor (3,) flotador32 Velocidad del efector final del robot.
pasos/observación/ee_yaw Tensor (4,) flotador32 Guiñada del efector final del robot.
pasos/observación/ee_yaw_delta Tensor (4,) flotador32 Delta de guiñada del efector final del robot.
pasos/observación/imagen Imagen (128, 128, 3) uint8 Observación RGB de la cámara principal.
pasos/observación/joint_pos Tensor (7,) flotador32 Posiciones de las articulaciones del robot.
pasos/observación/vel_conjunto Tensor (7,) flotador32 Velocidades de las articulaciones del robot.
pasos/observación/flujo_óptico Tensor (128, 128, 2) flotador32 Flujo óptico.
pasos/observación/estado Tensor (8,) flotador32 Información propioceptiva del robot, [7x posiciones de articulación, 1x apertura/cierre de pinza].
pasos/recompensa Escalar flotador32 Recompensa si se proporciona, 1 en el paso final para demostraciones.
@inproceedings{lee2019icra,
  title={Making sense of vision and touch: Self-supervised learning of multimodal representations for contact-rich tasks},
  author={Lee, Michelle A and Zhu, Yuke and Srinivasan, Krishnan and Shah, Parth and Savarese, Silvio and Fei-Fei, Li and  Garg, Animesh and Bohg, Jeannette},
  booktitle={2019 IEEE International Conference on Robotics and Automation (ICRA)},
  year={2019},
  url={https://arxiv.org/abs/1810.10191}
}