stanford_mask_vit_converted_externally_to_rlds

  • বর্ণনা :

Sawyer একটি বিনে বস্তু ঠেলে ও বাছাই

বিভক্ত উদাহরণ
'train' 9,109
'val' 91
  • বৈশিষ্ট্য গঠন : 
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'file_path': Text(shape=(), dtype=string),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(5,), dtype=float32, description=Robot action, consists of [3x change in end effector position, 1x gripper yaw, 1x open/close gripper (-1 means to open the gripper, 1 means 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({
            'end_effector_pose': Tensor(shape=(5,), dtype=float32, description=Robot end effector pose, consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position]. This is the state used in the MaskViT paper.),
            'finger_sensors': Tensor(shape=(1,), dtype=float32, description=1x Sawyer gripper finger sensors.),
            'high_bound': Tensor(shape=(5,), dtype=float32, description=High bound for end effector pose normalization. Consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position].),
            'image': Image(shape=(480, 480, 3), dtype=uint8, description=Main camera RGB observation.),
            'low_bound': Tensor(shape=(5,), dtype=float32, description=Low bound for end effector pose normalization. Consists of [3x Cartesian position, 1x gripper yaw, 1x gripper position].),
            'state': Tensor(shape=(15,), dtype=float32, description=Robot state, consists of [7x robot joint angles, 7x robot joint velocities,1x gripper position].),
        }),
        'reward': Scalar(shape=(), dtype=float32, description=Reward if provided, 1 on final step for demos.),
    }),
})
  • বৈশিষ্ট্য ডকুমেন্টেশন :
বৈশিষ্ট্য ক্লাস আকৃতি ডিটাইপ বর্ণনা
ফিচারসডিক্ট
episode_metadata ফিচারসডিক্ট
episode_metadata/file_path পাঠ্য স্ট্রিং মূল ডেটা ফাইলের পথ।
পদক্ষেপ ডেটাসেট
পদক্ষেপ/ক্রিয়া টেনসর (5,) float32 রোবট অ্যাকশন, [এন্ড ইফেক্টরের অবস্থানে 3x পরিবর্তন, 1x গ্রিপার ইয়াও, 1x ওপেন/ক্লোজ গ্রিপার (-1 মানে গ্রিপার খোলা, 1 মানে বন্ধ)] নিয়ে গঠিত।
পদক্ষেপ/ছাড় স্কেলার float32 ডিসকাউন্ট দেওয়া হলে, ডিফল্ট 1.
steps/is_first টেনসর bool
ধাপ/শেষ_শেষ টেনসর bool
steps/is_terminal টেনসর bool
পদক্ষেপ/ভাষা_এম্বেডিং টেনসর (512,) float32 কোন ভাষা এম্বেডিং. https://tfhub.dev/google/universal-sentence-encoder-large/5 দেখুন
পদক্ষেপ/ভাষা_নির্দেশ পাঠ্য স্ট্রিং ভাষার নির্দেশনা।
পদক্ষেপ/পর্যবেক্ষণ ফিচারসডিক্ট
পদক্ষেপ/পর্যবেক্ষণ/শেষ_প্রভাবক_পোজ টেনসর (5,) float32 রোবট এন্ড ইফেক্টর পোজ, [3x কার্টেসিয়ান অবস্থান, 1x গ্রিপার ইয়াও, 1x গ্রিপার অবস্থান] নিয়ে গঠিত। এটি MaskViT কাগজে ব্যবহৃত রাষ্ট্র।
পদক্ষেপ/পর্যবেক্ষণ/আঙুল_সেন্সর টেনসর (1,) float32 1x Sawyer গ্রিপার ফিঙ্গার সেন্সর।
পদক্ষেপ/পর্যবেক্ষণ/উচ্চ_বাউন্ড টেনসর (5,) float32 শেষ ইফেক্টর পোজ স্বাভাবিককরণের জন্য উচ্চ আবদ্ধ। [3x কার্টেসিয়ান অবস্থান, 1x গ্রিপার ইয়াও, 1x গ্রিপার অবস্থান] নিয়ে গঠিত।
পদক্ষেপ/পর্যবেক্ষণ/চিত্র ছবি (480, 480, 3) uint8 প্রধান ক্যামেরা আরজিবি পর্যবেক্ষণ।
পদক্ষেপ/পর্যবেক্ষণ/নিম্ন_বাউন্ড টেনসর (5,) float32 শেষ ইফেক্টর পোজ স্বাভাবিককরণের জন্য কম আবদ্ধ। [3x কার্টেসিয়ান অবস্থান, 1x গ্রিপার ইয়াও, 1x গ্রিপার অবস্থান] নিয়ে গঠিত।
পদক্ষেপ/পর্যবেক্ষণ/রাষ্ট্র টেনসর (15,) float32 রোবট অবস্থা, [7x রোবট জয়েন্ট অ্যাঙ্গেল, 7x রোবট জয়েন্ট বেগ, 1x গ্রিপার অবস্থান] নিয়ে গঠিত।
পদক্ষেপ/পুরস্কার স্কেলার float32 প্রদান করা হলে পুরস্কার, ডেমোর জন্য চূড়ান্ত ধাপে 1।
  • উদ্ধৃতি : 
@inproceedings{gupta2022maskvit,
  title={MaskViT: Masked Visual Pre-Training for Video Prediction},
  author={Agrim Gupta and Stephen Tian and Yunzhi Zhang and Jiajun Wu and Roberto Martín-Martín and Li Fei-Fei},
  booktitle={International Conference on Learning Representations},
  year={2022}
}