OpenVLA (2) 机器人环境和环境数据

文章目录

  • 前言
  • [1 BridgeData V2](#1 BridgeData V2)
    • [1.1 概述](#1.1 概述)
    • [1.2 硬件环境](#1.2 硬件环境)
  • [2 数据集](#2 数据集)
    • [2.1 场景与结构](#2.1 场景与结构)
    • [2.2 数据结构](#2.2 数据结构)
      • [2.2.1 images0](#2.2.1 images0)
      • [2.2.2 obs_dict.pkl](#2.2.2 obs_dict.pkl)
      • [2.2.3 policy_out.pkl](#2.2.3 policy_out.pkl)

前言

按照笔者之前的行业经验, 数据集的整理是非常重要的, 因此笔者这里增加原文中出现的几个数据集和环境的学习


1 BridgeData V2

1.1 概述

skill 例如:抓取(pick), 放置(place), 推动(pushing), 清扫(sweeping), 堆叠(stacking), 折叠(folding)

trajectories 就是action集合:

其中数据集合结构图如下:

图像分辨率:640×480

1.2 硬件环境

BridgeData的整体环境如图:

其中所有的硬件(包括支架, 导轨,工件 等等)描述链接如下:

https://docs.google.com/document/d/1si-6cTElTWTgflwcZRPfgHU7-UwfCUkEztkH3ge5CGc/edit?pli=1\&tab=t.0

该平台主要的内容:

一个固定视角(over-the-shoulder) 的RGBD(Intel D435),

一个固连在机器人腕部的RGB(custom Raspberry Pi),

两个可变视角RGB(Logitech C920),在数据采集过程中会被更改。

我们关心的机械臂和摄像头参数如下:


但是要注意的是openVLA没有用腕部摄像头(原因是方便 PK 其他工作), 因此只用了第三人视角的摄像头

2 数据集

2.1 场景与结构

可以看到数据集合总共有两种

类型 说明
Human demonstrations 人类通过遥操作(如鼠标/VR 手柄)控制机器人执行任务,系统记录图像、指令和动作
Scripted policies 开发者用 Python/控制代码编写一套"规则程序",在给定场景中自动执行任务,比如:"如果检测到杯子在桌面中心,则移动 gripper 到目标点并下降"

数据结构如下图, 其中每个traj_group 都是相同场景,固定部分摆件,然后制造数据

再升一级目录,我们可以看到 相同的场景,不同的拍摄时间对应不同的 摆件,而不是控制部分不同的摆件

我们, 再进入raw 数据,可以看到bridge_data的场景结构

其中这里作者还为数据的正确性做了验证放了一张diagnostics.png 图片以显示当前 通过脚本给定数据的正确性.

名称 意义 数据来源
xpos 实际执行到的位置 通过机器人反馈采集,每一帧记录
despos 计划中的目标位置 来自控制策略(如 scripted policy)或人类操作输入

2.2 数据结构

每一组数据里都包含三个文件:

2.2.1 images0

images0 是用于ViT的一组图片, obj_dict 是场景信息

可以看出就是完成一个 trajetory的过程.

2.2.2 obs_dict.pkl

键名 含义
joint_effort 每个关节的施加力矩(关节力)
qpos 关节位置(Joint Position)
qvel 关节速度(Joint Velocity)
full_state 完整状态向量(包含位姿、关节等)
state 简化状态(可能是观测空间状态)
desired_state 控制器期望状态(即 despos 源)
time_stamp 每帧时间戳
eef_transform End-Effector 的变换矩阵(即 gripper 位姿)
high_bound / low_bound 状态空间上下界
env_done 当前帧是否终止(布尔)
t_get_obs 获取观测时耗(调试用)

其中

eef_transform代表的是 gripper 的六自由度位姿变换矩阵(通常是 4x4),可以从中提取出:

(1) 平移向量(x, y, z) 即我们要的 xpos

(2) 旋转矩阵 , 可进一步转为欧拉角(roll, pitch, yaw)

2.2.3 policy_out.pkl

索引 含义 示例值 说明
[0:3] Δx, Δy, Δz -0.012, 0.037, 0.004 空间位置变化向量(平移动作)
[3:6] Δroll, Δpitch, Δyaw 0.0043, -0.0037, -0.8251 欧拉角空间的姿态微调(旋转动作)
[6] gripper_open 1 or 0 夹爪开闭指令(1 表示张开,0 表示闭合)

我这条case 共计49组,这张图是记录了 xyz的运动轨迹

这张图分析了 爪子夹取东西的时间分布图.

相关推荐
fsnine14 分钟前
深度学习——残差神经网路
人工智能·深度学习
和鲸社区44 分钟前
《斯坦福CS336》作业1开源,从0手搓大模型|代码复现+免环境配置
人工智能·python·深度学习·计算机视觉·语言模型·自然语言处理·nlp
fanstuck1 小时前
2025 年高教社杯全国大学生数学建模竞赛C 题 NIPT 的时点选择与胎儿的异常判定详解(一)
人工智能·目标检测·数学建模·数据挖掘·aigc
cxr8281 小时前
Claude Code PM 深度实战指南:AI驱动的GitHub项目管理与并行协作
人工智能·驱动开发·github
THMAIL1 小时前
深度学习从入门到精通 - LSTM与GRU深度剖析:破解长序列记忆遗忘困境
人工智能·python·深度学习·算法·机器学习·逻辑回归·lstm
Gyoku Mint1 小时前
NLP×第六卷:她给记忆加了筛子——LSTM与GRU的贴靠机制
人工智能·深度学习·神经网络·语言模型·自然语言处理·gru·lstm
YF云飞2 小时前
数据仓库进化:Agent驱动数智化新范式
数据仓库·人工智能·ai
ningmengjing_2 小时前
理解损失函数:机器学习的指南针与裁判
人工智能·深度学习·机器学习
程序猿炎义3 小时前
【NVIDIA AIQ】自定义函数实践
人工智能·python·学习
小陈phd3 小时前
高级RAG策略学习(四)——上下文窗口增强检索RAG
人工智能·学习·langchain