Robotter i labyrinten - 9/10

Kontekst

I et forskningscenter for autonome systemer testes flere typer robotter. Til disse eksperimenter er der anvendt flere typer arenaer, og hver robot følger en bestemt udforskningsstrategi. Under hvert eksperiment er robotten udstyret med et sæt sensorer og overvågningssystemer, der indsamler information om dens aktivitet. De registrerede data beskriver forskellige aspekter af robottens adfærd og det miljø, den opererer i.
Disse kan omfatte numeriske værdier (f.eks. gennemsnitshastighed, tilbagelagt afstand, antal kollisioner eller indsamlede genstande), men også kategoriske eller beskrivende informationer (såsom arenatype eller miljøforhold). Ved at analysere disse data kan man observere mønstre i, hvordan robotterne bevæger sig, udforsker rummet, indsamler genstande eller reagerer på forhindringer.

Analysen af disse data er vigtig for:

• at identificere den strategi, en robot følger, baseret på den observerede adfærd;
• at forstå de træk, der differentierer strategierne fra hinanden;
• at opbygge modeller, der er i stand til automatisk at genkende udforskningsmønstre.

Til løsning af dette problem har du to filer til rådighed:

• train.csv – indeholder mærkede eksempler, der bruges til analyse og træning af modeller;
• test.csv – indeholder de samme variabler, uden kolonnen strategy_label, og bruges til at generere prædiktioner.

Robotternes strategier

I eksperimenterne anvendes fire typer strategier:

• explorer – robot, der forsøger at besøge så mange forskellige områder som muligt;
• collector – robot, der fokuserer på at indsamle genstande;
• guardian – robot, der patruljerer og ofte vender tilbage til de samme regioner;
• sprinter – robot, der bevæger sig hurtigt med fokus på hastighed og dækning på kort tid.

Beskrivelse af datasættet

Hver linje i filerne train.csv og test.csv svarer til et eksperiment.

Datasættet indeholder kolonner, der beskriver forskellige aspekter af robottens adfærd. Eksempler på sådanne karakteristika er:

Krav

Task 1 - Antal arenatyper (15 point)

Brug data fra filen train.csv til at bestemme, hvor mange unikke værdier der optræder i kolonnen arena_type.

Task 2 - Maksimal observeret hastighed (15 point)

Brug data fra filen train.csv til at bestemme den maksimale værdi i kolonnen avg_speed_mps.

Task 3 - Mest anvendte arena (10 point)

Baseret på data fra filen train.csv, bestem hvilken type arena der optræder hyppigst i kolonnen arena_type.

Task 4 - Maksimal indsamlingsydelse (10 point)

Baseret på data fra filen train.csv, bestem den maksimale værdi i kolonnen items_collected.

Task 5 – Identificering af robottens strategi (50 point)

Byg en model, der bestemmer robottens strategi for hvert eksperiment i test.csv.

De mulige værdier er:

1explorer2collector3guardian4sprinter

Format for submissionsfil

Submissionsfilen skal være i csv-format og indeholde følgende kolonner:

De mulige værdier for subtaskID er:

For Task 1 – Task 4 er resultatet en værdi beregnet globalt baseret på data fra train.csv.
I submissionsfilen skal dette sendes én gang ved hjælp af den specielle værdi GLOBAL for robot_id.

For Task 5 skal den forudsagte strategi rapporteres for hver robot i test.csv.

De mulige værdier er:

1explorer2collector3guardian4sprinter

Eksempel på filen submission.csv

1robot_id,subtaskID,answer2GLOBAL,1,103GLOBAL,2,4.314GLOBAL,3,forest5GLOBAL,4,76TR_1000,5,explorer7TR_1001,5,guardian8TR_1002,5,collector

Evaluering

Den samlede score er 100 point.

Task 1 – Task 4 (50 point)

For de første fire opgaver bestemmes svarene udelukkende baseret på data fra train.csv.

Evalueringen sker ved nøjagtig sammenligning (lighed) mellem den værdi, der er sendt i submissionsfilen, og den korrekte værdi beregnet fra train.csv.

Task 5 – Identificering af robottens strategi (50 point)

For denne opgave evalueres korrektheden af de forudsagte strategier for robotterne i test.csv.

Der anvendes metrikken Macro-F1, som beregner F1-scoren for hver klasse og derefter tager gennemsnittet af disse værdier.

For en klasse c:

Den endelige Macro-F1 score er gennemsnittet af F1-scorerne for alle klasser:

hvor K er antallet af klasser. I dette problem er K = 4.

Point tildelt for Task 5 er:

1score = 50 x MacroF1 (hvis MacroF1 < 0.93)2score = 50 (hvis MacroF1 >= 0.93)

⬇ Download Starter Kit