stanford_mask_vit_converted_externally_to_rlds

  • توضیحات :

ساویر در حال هل دادن و چیدن اشیا در سطل زباله

تقسیم کنید نمونه ها
'train' 9,109
'val' 91
  • ساختار ویژگی :
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.),
    }),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D توضیحات
FeaturesDict
episode_metadata FeaturesDict
episode_metadata/file_path متن رشته مسیر فایل داده اصلی
مراحل مجموعه داده
مراحل/عمل تانسور (5،) float32 عمل ربات، شامل [3 برابر تغییر در موقعیت افکتور انتهایی، 1 برابر انحراف گیره، 1 بار دستگیره باز/بستن (-1 به معنای باز کردن دستگیره، 1 به معنای بستن)] است.
مراحل/تخفیف اسکالر float32 تخفیف در صورت ارائه، پیش فرض 1 است.
Steps/is_first تانسور بوول
Steps/is_last تانسور بوول
Steps/is_terminal تانسور بوول
Steps/language_embedding تانسور (512،) float32 تعبیه زبان کونا. به https://tfhub.dev/google/universal-sentence-encoder-large/5 مراجعه کنید
مراحل/زبان_آموزش متن رشته آموزش زبان.
مراحل / مشاهده FeaturesDict
steps/observation/end_effector_pose تانسور (5،) float32 ژست افکتور انتهایی ربات، شامل [3x موقعیت دکارتی، 1x گرپر انحراف، 1x موقعیت گیره] است. این حالتی است که در مقاله MaskViT استفاده می شود.
مراحل/مشاهده/حسگرهای_انگشتی تانسور (1،) float32 1 عدد سنسور انگشت ساویر.
مراحل/مشاهده/بالا_کران تانسور (5،) float32 کران بالا برای نرمال سازی پوس افکتور انتهایی. شامل [3x موقعیت دکارتی، 1x انحراف گرپر، 1x موقعیت گیره] است.
مراحل / مشاهده / تصویر تصویر (480، 480، 3) uint8 دوربین اصلی رصد RGB.
مراحل/مشاهده/کم_کران تانسور (5،) float32 کران پایین برای نرمال سازی پوس افکتور انتهایی. شامل [3x موقعیت دکارتی، 1x انحراف گرپر، 1x موقعیت گیره] است.
مراحل / مشاهده / حالت تانسور (15،) float32 حالت ربات، شامل [7x زوایای مفصل ربات، 7x سرعت مفصل ربات، 1x موقعیت دستگیره] است.
مراحل/پاداش اسکالر float32 در صورت ارائه پاداش، 1 در مرحله آخر برای دموها.
@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}
}