stanford_mask_vit_converted_externally_to_rlds

  • คำอธิบาย :

ซอว์เยอร์ผลักและหยิบสิ่งของในถังขยะ

แยก ตัวอย่าง
'train' 9,109
'val' 91
  • โครงสร้างคุณสมบัติ :
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.),
    }),
})
  • เอกสารคุณสมบัติ :
คุณสมบัติ ระดับ รูปร่าง ประเภทD คำอธิบาย
คุณสมบัติDict
ตอนที่_ข้อมูลเมตา คุณสมบัติDict
ตอนที่_metadata/file_path ข้อความ เชือก เส้นทางไปยังไฟล์ข้อมูลต้นฉบับ
ขั้นตอน ชุดข้อมูล
ขั้นตอน/การดำเนินการ เทนเซอร์ (5,) ลอย32 การทำงานของหุ่นยนต์ ประกอบด้วย [การเปลี่ยนแปลงตำแหน่งเอฟเฟกต์ส่วนท้าย 3x, การหันเหของกริปเปอร์ 1x, มือจับเปิด/ปิด 1x (-1 หมายถึงการเปิดกริปเปอร์, 1 หมายถึงการปิด)]
ขั้นตอน/ส่วนลด สเกลาร์ ลอย32 ส่วนลดหากมีให้ ค่าเริ่มต้นคือ 1
ขั้นตอน/is_first เทนเซอร์ บูล
ขั้นตอน/is_last เทนเซอร์ บูล
ขั้นตอน/is_terminal เทนเซอร์ บูล
ขั้นตอน/ภาษา_embedding เทนเซอร์ (512,) ลอย32 การฝังภาษาโคน่า ดู https://tfhub.dev/google/universal-sentence-encoder-large/5
ขั้นตอน/Language_instruction ข้อความ เชือก การสอนภาษา.
ขั้นตอน/การสังเกต คุณสมบัติDict
ขั้นตอน/การสังเกต/end_effector_pose เทนเซอร์ (5,) ลอย32 ท่าเอฟเฟกต์ปลายหุ่นยนต์ประกอบด้วย [ตำแหน่งคาร์ทีเซียน 3x, การหันเหของกริปเปอร์ 1x, ตำแหน่งกริปเปอร์ 1x] นี่คือสถานะที่ใช้ในกระดาษ MaskViT
ขั้นตอน/การสังเกต/finger_sensors เทนเซอร์ (1,) ลอย32 1x เซ็นเซอร์นิ้วกริปเปอร์ Sawyer
ขั้นตอน/การสังเกต/high_bound เทนเซอร์ (5,) ลอย32 ขอบเขตสูงสำหรับเอฟเฟกต์ปลายก่อให้เกิดการทำให้เป็นมาตรฐาน ประกอบด้วย [ตำแหน่งคาร์ทีเซียน 3x, การหันเหของกริปเปอร์ 1x, ตำแหน่งกริปเปอร์ 1x]
ขั้นตอน/การสังเกต/ภาพ ภาพ (480, 480, 3) uint8 การสังเกต RGB ของกล้องหลัก
ขั้นตอน/การสังเกต/low_bound เทนเซอร์ (5,) ลอย32 ขอบเขตต่ำสำหรับเอฟเฟกต์ปลายก่อให้เกิดการทำให้เป็นมาตรฐาน ประกอบด้วย [ตำแหน่งคาร์ทีเซียน 3x, การหันเหของกริปเปอร์ 1x, ตำแหน่งกริปเปอร์ 1x]
ขั้นตอน/การสังเกต/สถานะ เทนเซอร์ (15,) ลอย32 สถานะของหุ่นยนต์ประกอบด้วย [มุมข้อต่อของหุ่นยนต์ 7x, ความเร็วข้อต่อของหุ่นยนต์ 7x, ตำแหน่งมือจับ 1x]
ขั้นตอน/รางวัล สเกลาร์ ลอย32 รางวัลหากมีให้ 1 ในขั้นตอนสุดท้ายสำหรับการสาธิต
@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}
}