أكاديمية التوصيل الروبوتي

أكاديمية التوصيل الروبوتي

أنتم تدرّبون روبوت توصيل على خريطة حضرية تتكون من 8 × 8 خلايا. في كل حلقة، يبدأ الروبوت من خلية حرة، ويصل إلى المستودع الذي يوجد فيه الطرد، ويلتقطه، وينتقل إلى مستودع آخر — الوجهة — ثم يسلّمه. تحتوي كل خريطة على ستة مستودعات وثماني خلايا محجوبة.

الهدف هو تعلّم سلوك الروبوت من عدد صغير عمدًا من عروض الخبراء. هذه مسألة استنساخ سلوكي: تدرّبون نموذجًا على أمثلة ملاحظة/إجراء، ثم تشغّلونه خطوة بخطوة في حلقات جديدة.

البيئة

تُفهرس المستودعات بالقيم 0..5 وتُوسم بالقيم A..F. تنتهي الحلقة بنجاح عندما ينفذ الروبوت إجراء dropoff صالحًا عند الوجهة وهو يحمل الطرد. يُسمح بحد أقصى قدره 120 actions.

لا يغير التحرك إلى داخل جدار أو إلى خارج الخريطة موضع الروبوت، لكنه يستهلك خطوة واحدة. ينجح pickup فقط عند مستودع الطرد، عندما لا يكون الروبوت حاملًا للطرد بالفعل. ينجح dropoff فقط عند الوجهة، عندما يكون الروبوت حاملًا للطرد. لا يغيّر pickup أو dropoff غير الصالح state ويستهلك خطوة واحدة.

الملاحظة

تحتوي كل ملاحظة تدريب على:

• grid: موتر float32 بالشكل (6, 8, 8);
• vector: 13 قيمة عددية مطبّعة؛
• action_mask: ست قيم منطقية تشير إلى actions الصالحة؛
• state: (row, column, package_field, destination).

تمثل قنوات موتر grid ما يلي:

1. الجدران؛
2. جميع المستودعات؛
3. موضع الروبوت؛
4. موضع الطرد، مع قناة فارغة أثناء حمل الطرد؛
5. الوجهة؛
6. مؤشر الحمل، مكررًا عبر الخريطة بأكملها.

يحتوي vector، بالترتيب، على: صف الروبوت وعموده المطبّعين، وحقل الطرد، والوجهة، ومؤشر الحمل، وصف الهدف الحالي وعموده، والفروق بالنسبة إلى الهدف، ثم أربعة مؤشرات للحركة المحجوبة بالترتيب جنوب، شمال، شرق، غرب.

البيانات

تحتوي مجموعة البيانات العامة على:

• 400 عرض ناجح لخبراء، تحتوي على 5,327 خطوة موسومة؛
• 200 سيناريو تحقق من دون actions للخبراء؛
• 1,600 سيناريو اختبار من دون actions للخبراء.

تستخدم حزمة المنصة JSON ومصفوفات NumPy الآمنة بدلًا من ملفات Python pickle. راجعوا starter_kit.py لمعرفة الأسماء الدقيقة وتعليمة التحميل. حمّلوا ملفات NumPy باستخدام allow_pickle=False.

يكون كل layout_id مشتركًا بين أربع حلقات. ويكون المفتاح الفريد دائمًا:

1(layout_id, episode_seed)

المهمة

درّبوا نموذجًا حتميًا يتنبأ بالإجراء التالي من الملاحظة الحالية. شغّلوا النموذج عبر حلقات كاملة، وأنشئوا تسلسل إجراءات واحدًا لكل سيناريو اختبار.

يمكنكم استخدام العروض المقدمة للتدريب. لا يُسمح لكم بالحصول على تسميات خبراء لمجموعات التحقق أو الاختبار، كما لا يجوز لكم إنشاء عروض خبراء إضافية من خلال البحث أو التخطيط أو نموذج خبير آخر. قد تراجع اللجنة العلمية الحلول القائمة على القواعد أو المكتوبة صراحةً بترميز ثابت. قد يطلب المنظمون الـ notebook أو الشفرة المصدرية المستخدمة في إنشاء التسليم.

تنسيق التسليم

أرسلوا أرشيف ZIP باسم predictions.zip، يحتوي على ملف واحد بالضبط في جذره: predictions.json.

يجب أن يحتوي الملف على مصفوفة JSON تضم 1,600 كائن بالضبط، كائنًا واحدًا لكل حلقة اختبار:

1[2  {"layout_id":"test_0000","episode_seed":300000,"actions":[1,1,2,4,0,5]}3]

المتطلبات:

• تتم مطابقة الحلقات باستخدام (layout_id, episode_seed)، لا حسب ترتيب الصفوف؛
• يجب أن تظهر كل حلقة مرة واحدة بالضبط؛
• لا يُسمح بالمفاتيح غير المعروفة أو المكررة؛
• يجب أن تكون actions قائمة JSON من أعداد صحيحة — لا قيم منطقية — بين 0 و5؛
• يجوز أن تحتوي كل قائمة على 120 actions بحد أقصى؛
• يجب أن يكون إنشاء التنبؤات حتميًا.

تُرفض الأرشيفات غير الصالحة أو التسليمات غير المكتملة.

التقييم

المقياس هو معدل نجاح الحلقات:

1SR = successful deliveries / evaluated episodes2score = 100 × SR

لا تُمنح نقاط جزئية للوصول إلى الطرد أو الاقتراب من الهدف أو استخدام عدد أقل من الخطوات.

بالنسبة إلى لوحة صدارة المنصة، تُقسّم خرائط الاختبار بصورة حتمية:

• لوحة الصدارة المباشرة/الجزئية: 80 خريطة، 320 حلقة؛
• لوحة الصدارة النهائية/الكاملة: 320 خريطة، 1,280 حلقة.

أثناء المسابقة، تُعرض النتيجة الجزئية، بينما تستخدم لوحة الصدارة النهائية المجموعة الكاملة. لا تتضمن البيانات العامة الانتماء إلى المجموعتين الفرعيتين. قد يظهر متوسط عدد الخطوات ومحاولات pickup/dropoff غير الصالحة في سجلات المقيّم، لكنها لا تؤثر في النتيجة.

النَّسب

مقتبس من «أكاديمية التوصيل الروبوتي: البرنامج التحضيري» (IOAI 2026, Home Task 2). تمثل طريقة العرض الآمنة للبيانات وقواعد التحقق وتقسيم لوحة الصدارة والمقيّم تعديلات خاصة بمنصة MLCompete.