운동

• 설명 :

데이터 세트는 MuJoCo 이동 작업의 환경 보상에 대해 훈련된 SAC 에이전트로 생성되었습니다. 이러한 데이터 세트는 적대적 모방 학습에 중요한 사항은 무엇입니까? Orsiniet al. 2021년 .

데이터 세트는 RLDS 형식 을 따라 단계와 에피소드를 나타냅니다.

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

• 소스 코드 : tfds.rlds.locomotion.Locomotion

• 버전 :

  • 1.0.0 (기본값): 최초 릴리스.

• 감독된 키 ( as_supervised 문서 참조): None

• 그림 ( tfds.show_examples ): 지원되지 않습니다.

• 인용 :

@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(기본 구성)

• 구성 설명 : Ant용 1M 단계에 대해 훈련된 SAC 에이전트가 생성한 데이터 세트입니다.

• 다운로드 크기 : 6.49 MiB

• 데이터 세트 크기 : 23.02 MiB

• 자동 캐시 ( 문서 ): 예

• 분할 :

• 기능 구조 :

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,
    }),
})

• 기능 문서 :

• 예 ( tfds.as_dataframe ):

운동/hopper_sac_1M_single_policy_stochastic

• 구성 설명 : Hopper에 대해 1M 단계에 대해 훈련된 SAC 에이전트가 생성한 데이터 세트입니다.

• 다운로드 크기 : 2.26 MiB

• 데이터 세트 크기 : 2.62 MiB

• 자동 캐시 ( 문서 ): 예

• 분할 :

• 기능 구조 :

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,
    }),
})

• 기능 문서 :

• 예 ( tfds.as_dataframe ):

운동/halfcheetah_sac_1M_single_policy_stochastic

• 구성 설명 : HalfCheetah에 대해 1M 단계에 대해 훈련된 SAC 에이전트가 생성한 데이터 세트입니다.

• 다운로드 크기 : 4.49 MiB

• 데이터 세트 크기 : 4.93 MiB

• 자동 캐시 ( 문서 ): 예

• 분할 :

• 기능 구조 :

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,
    }),
})

• 기능 문서 :

• 예 ( tfds.as_dataframe ):

운동/walker2d_sac_1M_single_policy_stochastic

• 구성 설명 : Walker2d에 대해 1M 단계에 대해 훈련된 SAC 에이전트가 생성한 데이터 세트입니다.

• 다운로드 크기 : 4.35 MiB

• 데이터 세트 크기 : 4.91 MiB

• 자동 캐시 ( 문서 ): 예

• 분할 :

• 기능 구조 :

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,
    }),
})

• 기능 문서 :

• 예 ( tfds.as_dataframe ):

운동/humanoid_sac_15M_single_policy_stochastic

• 구성 설명 : Humanoid용 1,500만 단계에 대해 훈련된 SAC 에이전트가 생성한 데이터 세트입니다.

• 다운로드 크기 : 192.78 MiB

• 데이터 세트 크기 : 300.94 MiB

• 자동 캐시 ( 문서 ): 아니요

• 분할 :

• 기능 구조 :

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,
    }),
})

• 기능 문서 :

• 예 ( tfds.as_dataframe ):