Академия за роботизирани доставки

Академия за роботизирани доставки

Обучавате робот за доставки върху градска карта, състояща се от 8 × 8 клетки. Във всеки епизод роботът започва от свободна клетка, достига склада, в който се намира пратката, взема я, придвижва се до друг склад — дестинацията — и я доставя. Всяка карта съдържа шест склада и осем блокирани клетки.

Целта е поведението на робота да бъде научено от умишлено малък брой експертни демонстрации. Това е задача за клониране на поведение: обучавате модел върху примери наблюдение/действие и след това го изпълнявате стъпка по стъпка в нови епизоди.

Среда

Складовете са индексирани с 0..5 и означени с A..F. Епизодът завършва успешно, когато роботът изпълни валидно действие dropoff в дестинацията, докато носи пратката. Разрешени са най-много 120 actions.

Придвижване в стена или извън картата не променя позицията на робота, но изразходва една стъпка. pickup е успешно само в склада на пратката, когато роботът все още не я носи. dropoff е успешно само в дестинацията, когато роботът носи пратката. Невалиден pickup или dropoff не променя state и изразходва една стъпка.

Наблюдение

Всяко тренировъчно наблюдение съдържа:

• grid: тензор float32 с форма (6, 8, 8);
• vector: 13 нормализирани числови стойности;
• action_mask: шест булеви стойности, указващи валидните actions;
• state: (row, column, package_field, destination).

Каналите на тензора grid представят:

1. стените;
2. всички складове;
3. позицията на робота;
4. позицията на пратката, с празен канал, докато пратката се носи;
5. дестинацията;
6. индикатора за носене, повторен върху цялата карта.

vector съдържа в този ред: нормализирания ред и колона на робота, полето на пратката, дестинацията, индикатора за носене, реда и колоната на текущата цел, разликите спрямо целта, последвани от четири индикатора за блокирано движение в реда юг, север, изток, запад.

Данни

Публичният набор от данни съдържа:

• 400 успешни експертни демонстрации, съдържащи 5,327 означени стъпки;
• 200 сценария за валидация без експертни actions;
• 1,600 тестови сценария без експертни actions.

Пакетът на платформата използва JSON и безопасни NumPy масиви вместо Python pickle файлове. Вижте starter_kit.py за точните имена и кода за зареждане. Зареждайте NumPy файловете с allow_pickle=False.

Всеки layout_id се споделя от четири епизода. Уникалният ключ винаги е:

1(layout_id, episode_seed)

Задача

Обучете детерминиран модел, който предсказва следващото действие от текущото наблюдение. Изпълнете модела върху цели епизоди и генерирайте по една последователност от действия за всеки тестов сценарий.

Можете да използвате предоставените демонстрации за обучение. Нямате право да получавате експертни етикети за наборите за валидация или тест, нито да генерирате допълнителни експертни демонстрации чрез търсене, планиране или друг експертен модел. Решения, основани на правила или изрично твърдо кодирани, могат да бъдат прегледани от Научния комитет. Организаторите могат да поискат notebook-а или изходния код, използван за генериране на изпращането.

Формат на изпращане

Изпратете ZIP архив с име predictions.zip, съдържащ точно един файл в основната си директория: predictions.json.

Файлът трябва да съдържа JSON масив с точно 1,600 обекта, по един за всеки тестов епизод:

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

Изисквания:

• епизодите се съпоставят чрез (layout_id, episode_seed), а не по реда на редовете;
• всеки епизод трябва да присъства точно веднъж;
• непознати или дублирани ключове не са разрешени;
• actions трябва да бъде JSON списък от цели числа — не булеви стойности — между 0 и 5;
• всеки списък може да съдържа най-много 120 actions;
• генерирането на предсказания трябва да бъде детерминирано.

Невалидните архиви или непълните изпращания се отхвърлят.

Оценяване

Метриката е процентът на успешните епизоди:

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

Не се присъждат частични точки за достигане до пратката, приближаване до целта или използване на по-малко стъпки.

За класацията на платформата тестовите карти се разделят детерминирано:

• текуща/частична класация: 80 карти, 320 епизода;
• крайна/пълна класация: 320 карти, 1,280 епизода.

По време на състезанието се показва частичният резултат, а крайната класация използва пълния набор. Принадлежността към двете подмножества не е включена в публичните данни. Средният брой стъпки и невалидните опити за pickup/dropoff могат да се появят в дневниците на оценителя, но не влияят на резултата.

Авторство

Адаптирано от „Академия за роботизирани доставки: подготвителна програма“ (IOAI 2026, Home Task 2). Безопасното представяне на данните, правилата за валидация, разделянето на класацията и оценителят са адаптации за платформата MLCompete.