berkeley_gnm_cory_hall

  • Descrizione :

navigazione nel corridoio

Diviso Esempi
'train' 7.331
  • Struttura delle caratteristiche :
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'file_path': Text(shape=(), dtype=string),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(2,), dtype=float64),
        'action_angle': Tensor(shape=(3,), dtype=float64),
        'discount': Scalar(shape=(), dtype=float64),
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'language_embedding': Tensor(shape=(512,), dtype=float32),
        'language_instruction': Text(shape=(), dtype=string),
        'observation': FeaturesDict({
            'image': Image(shape=(64, 85, 3), dtype=uint8),
            'position': Tensor(shape=(2,), dtype=float64),
            'state': Tensor(shape=(3,), dtype=float64),
            'yaw': Tensor(shape=(1,), dtype=float64),
        }),
        'reward': Scalar(shape=(), dtype=float64),
    }),
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
metadati_episodio CaratteristicheDict
metadati_episodio/percorso_file Testo corda Percorso del file di dati originale.
passi Set di dati
passi/azione Tensore (2,) float64 Azione del robot, composta da 2 posizioni
passi/azione_angolo Tensore (3,) float64 L'azione del robot consiste in 2 posizioni e 1 imbardata
passi/sconto Scalare float64 Sconto se fornito, il valore predefinito è 1.
passi/è_primo Tensore bool
passi/è_ultimo Tensore bool
passi/è_terminale Tensore bool
passaggi/incorporamento_lingua Tensore (512,) float32 Incorporamento del linguaggio Kona. Vedi https://tfhub.dev/google/universal-sentence-encoder-large/5
passi/lingua_istruzioni Testo corda Insegnamento della lingua.
passi/osservazione CaratteristicheDict
passi/osservazione/immagine Immagine (64, 85, 3) uint8 Osservazione RGB della fotocamera principale.
passi/osservazione/posizione Tensore (2,) float64 Posizione del robot
passi/osservazione/stato Tensore (3,) float64 Stato del robot, composto da [2x posizione, 1x imbardata]
passi/osservazione/imbardata Tensore (1,) float64 Imbardata del robot
passi/ricompensa Scalare float64 Ricompensa se fornita, 1 nel passaggio finale per le demo.
  • Citazione :
@inproceedings{kahn2018self,
  title={Self-supervised deep reinforcement learning with generalized computation graphs for robot navigation},
  author={Kahn, Gregory and Villaflor, Adam and Ding, Bosen and Abbeel, Pieter and Levine, Sergey},
  booktitle={2018 IEEE international conference on robotics and automation (ICRA)},
  pages={5129--5136},
  year={2018},
  organization={IEEE}
}