Roboter im Labyrinth - 9/10

Kontext

In einem Forschungszentrum für autonome Systeme werden verschiedene Arten von Robotern getestet. Für diese Experimente wurden mehrere Arten von Arenen verwendet, und jeder Roboter folgt einer bestimmten Explorationsstrategie. Während jedes Experiments ist der Roboter mit einem Satz von Sensoren und Überwachungssystemen ausgestattet, die Informationen über seine Aktivität sammeln. Die aufgezeichneten Daten beschreiben verschiedene Aspekte des Verhaltens des Roboters und der Umgebung, in der er operiert.
Diese können numerische Werte (z. B. Durchschnittsgeschwindigkeit, zurückgelegte Distanz, Anzahl der Kollisionen oder gesammelte Objekte), aber auch kategoriale oder beschreibende Informationen (wie der Typ der Arena oder Umweltbedingungen) enthalten. Durch die Analyse dieser Daten können Muster in der Art und Weise beobachtet werden, wie sich die Roboter bewegen, den Raum erkunden, Objekte sammeln oder auf Hindernisse reagieren.

Die Analyse dieser Daten ist wichtig für:

• die Identifizierung der von einem Roboter verfolgten Strategie basierend auf dem beobachteten Verhalten;
• das Verständnis der Merkmale, die die Strategien voneinander unterscheiden;
• den Aufbau von Modellen, die in der Lage sind, Explorationsmuster automatisch zu erkennen.

Zur Lösung dieses Problems stehen Ihnen zwei Dateien zur Verfügung:

• train.csv – enthält gelabelte Beispiele, die für die Analyse und das Training der Modelle verwendet werden;
• test.csv – enthält dieselben Variablen, ohne die Spalte strategy_label, und wird zur Generierung von Vorhersagen verwendet.

Die Strategien der Roboter

In den Experimenten werden vier Arten von Strategien verwendet:

• explorer – ein Roboter, der versucht, so viele verschiedene Bereiche wie möglich zu besuchen;
• collector – ein Roboter, der darauf abzielt, Objekte zu sammeln;
• guardian – ein Roboter, der patrouilliert und häufig in dieselben Regionen zurückkehrt;
• sprinter – ein Roboter, der sich schnell bewegt, mit Fokus auf Geschwindigkeit und Abdeckung in kurzer Zeit.

Beschreibung des Datensatzes

Jede Zeile in den Dateien train.csv und test.csv entspricht einem Experiment.

Der Datensatz enthält Spalten, die verschiedene Aspekte des Roboterverhaltens beschreiben. Beispiele für solche Merkmale sind:

Anforderungen

Task 1 - Anzahl der Arenatypen (15 Punkte)

Bestimmen Sie anhand der Daten in der Datei train.csv, wie viele verschiedene Werte in der Spalte arena_type vorkommen.

Task 2 - Maximale beobachtete Geschwindigkeit (15 Punkte)

Bestimmen Sie anhand der Daten in der Datei train.csv das Maximum der Werte in der Spalte avg_speed_mps.

Task 3 - Am häufigsten verwendete Arena (10 Punkte)

Bestimmen Sie basierend auf den Daten in der Datei train.csv, welcher Arenatyp am häufigsten in der Spalte arena_type vorkommt.

Task 4 - Maximale Sammelleistung (10 Punkte)

Bestimmen Sie basierend auf den Daten in der Datei train.csv den Maximalwert der Spalte items_collected.

Task 5 – Identifizierung der Roboterstrategie (50 Punkte)

Erstellen Sie ein Modell, das die Strategie des Roboters für jedes Experiment in test.csv bestimmt.

Mögliche Werte sind:

1explorer2collector3guardian4sprinter

Format der Einreichungsdatei

Die Einreichungsdatei muss im csv-Format vorliegen und die folgenden Spalten enthalten:

Mögliche Werte für subtaskID sind:

Für Task 1 – Task 4 ist das Ergebnis ein Wert, der global basierend auf den Daten in train.csv berechnet wird.
In der Einreichungsdatei muss dieser nur einmal übermittelt werden, wobei der spezielle Wert GLOBAL für robot_id zu verwenden ist.

Für Task 5 muss die vorhergesagte Strategie für jeden Roboter aus test.csv gemeldet werden.

Mögliche Werte sind:

1explorer2collector3guardian4sprinter

Beispiel für eine submission.csv Datei

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

Bewertung

Die Gesamtpunktzahl beträgt 100 Punkte.

Task 1 – Task 4 (50 Punkte)

Für die ersten vier Tasks werden die Antworten ausschließlich auf Basis der Daten in train.csv ermittelt.

Die Bewertung erfolgt durch exakten Vergleich (Gleichheit) zwischen dem in der Einreichungsdatei übermittelten Wert und dem aus train.csv berechneten korrekten Wert.

Task 5 – Identifizierung der Roboterstrategie (50 Punkte)

Für diesen Task wird die Korrektheit der vorhergesagten Strategien für die Roboter in test.csv bewertet.

Es wird die Metrik Macro-F1 verwendet, die den F1-Score für jede Klasse berechnet und dann den Durchschnitt dieser Werte bildet.

Für eine Klasse c:

Der finale Macro-F1 Score ist der Durchschnitt der F1-Scores für alle Klassen:

wobei K die Anzahl der Klassen ist. In diesem Problem ist K = 4.

Die für Task 5 vergebene Punktzahl ist:

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

⬇ Starter Kit herunterladen