daya penggerak

• Deskripsi :

Kumpulan data dibuat dengan agen SAC yang dilatih tentang hadiah lingkungan dari tugas penggerak MuJoCo. Kumpulan data ini digunakan dalam What Matters for Adversarial Imitation Learning? Orsini dkk. 2021 .

Kumpulan data mengikuti format RLDS untuk mewakili langkah dan episode.s

• Beranda : https://github.com/google-research/rlds

• Kode sumber : tfds.rlds.locomotion.Locomotion

• Versi :

  • 1.0.0 (default): Rilis awal.

• Kunci yang diawasi (Lihat as_supervised doc ): None

• Gambar ( tfds.show_examples ): Tidak didukung.

• Kutipan :

@article{orsini2021matters,
  title={What Matters for Adversarial Imitation Learning?},
  author={Orsini, Manu and Raichuk, Anton and Hussenot, L{'e}onard and Vincent, Damien and Dadashi, Robert and Girgin, Sertan and Geist, Matthieu and Bachem, Olivier and Pietquin, Olivier and Andrychowicz, Marcin},
  journal={International Conference in Machine Learning},
  year={2021}
}

locomotion/ant_sac_1M_single_policy_stochastic (konfigurasi default)

• Deskripsi konfigurasi : Kumpulan data dihasilkan oleh agen SAC yang dilatih untuk 1 juta langkah untuk Ant.

• Ukuran unduhan : 6.49 MiB

• Ukuran dataset : 23.02 MiB

• Di-cache otomatis ( dokumentasi ): Ya

• Perpecahan :

• Struktur fitur :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(8,), dtype=float32),
        'discount': float32,
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': Tensor(shape=(111,), dtype=float32),
        'reward': float32,
    }),
})

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):

locomotion/hopper_sac_1M_single_policy_stochastic

• Deskripsi konfigurasi : Dataset dihasilkan oleh agen SAC yang dilatih untuk 1 juta langkah untuk Hopper.

• Ukuran unduhan : 2.26 MiB

• Ukuran dataset : 2.62 MiB

• Di-cache otomatis ( dokumentasi ): Ya

• Perpecahan :

• Struktur fitur :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(3,), dtype=float32),
        'discount': float32,
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': Tensor(shape=(11,), dtype=float32),
        'reward': float32,
    }),
})

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):

locomotion/halfcheetah_sac_1M_single_policy_stochastic

• Deskripsi konfigurasi : Dataset dihasilkan oleh agen SAC yang dilatih untuk 1 juta langkah untuk HalfCheetah.

• Ukuran unduhan : 4.49 MiB

• Ukuran dataset : 4.93 MiB

• Di-cache otomatis ( dokumentasi ): Ya

• Perpecahan :

• Struktur fitur :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(6,), dtype=float32),
        'discount': float32,
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': Tensor(shape=(17,), dtype=float32),
        'reward': float32,
    }),
})

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):

locomotion/walker2d_sac_1M_single_policy_stochastic

• Deskripsi konfigurasi : Kumpulan data dihasilkan oleh agen SAC yang dilatih untuk 1 juta langkah untuk Walker2d.

• Ukuran unduhan : 4.35 MiB

• Ukuran dataset : 4.91 MiB

• Di-cache otomatis ( dokumentasi ): Ya

• Perpecahan :

• Struktur fitur :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(6,), dtype=float32),
        'discount': float32,
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': Tensor(shape=(17,), dtype=float32),
        'reward': float32,
    }),
})

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):

locomotion/humanoid_sac_15M_single_policy_stochastic

• Deskripsi konfigurasi : Kumpulan data dihasilkan oleh agen SAC yang dilatih untuk 15 juta langkah untuk Humanoid.

• Ukuran unduhan : 192.78 MiB

• Ukuran dataset : 300.94 MiB

• Di-cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

• Struktur fitur :

FeaturesDict({
    'steps': Dataset({
        'action': Tensor(shape=(17,), dtype=float32),
        'discount': float32,
        'is_first': bool,
        'is_last': bool,
        'is_terminal': bool,
        'observation': Tensor(shape=(376,), dtype=float32),
        'reward': float32,
    }),
})

• Dokumentasi fitur :

• Contoh ( tfds.as_dataframe ):