nyu_rot_dataset_converted_externally_to_rlds

  • شرح :

وظایف جدول افق کوتاه xArm

شکاف مثال ها
'train' 14
  • ساختار ویژگی :
FeaturesDict({
    'episode_metadata': FeaturesDict({
        'file_path': Text(shape=(), dtype=string),
    }),
    'steps': Dataset({
        'action': Tensor(shape=(7,), dtype=float32),
        'discount': Scalar(shape=(), dtype=float32),
        '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=(84, 84, 3), dtype=uint8),
            'state': Tensor(shape=(7,), dtype=float32),
        }),
        'reward': Scalar(shape=(), dtype=float32),
    }),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
episode_metadata FeaturesDict
episode_metadata/file_path متن رشته مسیر فایل داده اصلی
مراحل مجموعه داده
مراحل/عمل تانسور (7،) float32 عمل ربات، شامل [3 برابر موقعیت های دلتای افکتور انتهایی ربات، 3 برابر چرخش افکتور انتهایی ربات (غلت، پیچ، انحراف)، 1 برابر دستگیره باز/بست (0-باز، 1-بسته)] 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
مراحل / مشاهده / تصویر تصویر (84، 84، 3) uint8 دوربین اصلی رصد RGB.
مراحل / مشاهده / حالت تانسور (7،) float32 حالت ربات، شامل [3x موقعیت افکتور انتهایی ربات، 3x چرخش افکتور انتهایی ربات (غلت، پیچ، انحراف)، 1x گرپر باز/بست (0-باز، 1-بسته)].
مراحل/پاداش اسکالر float32 در صورت ارائه پاداش، 1 در مرحله آخر برای دموها.
  • نقل قول :
@inproceedings{haldar2023watch,
  title={Watch and match: Supercharging imitation with regularized optimal transport},
  author={Haldar, Siddhant and Mathur, Vaibhav and Yarats, Denis and Pinto, Lerrel},
  booktitle={Conference on Robot Learning},
  pages={32--43},
  year={2023},
  organization={PMLR}
}