Robotid labürindis - 9/10

Kontekst

Autonoomsete süsteemide uurimiskeskuses testitakse mitut tüüpi roboteid. Nende eksperimentide jaoks on kasutatud erinevaid areene ning iga robot järgib kindlat uurimisstrateegiat. Iga eksperimendi ajal on robot varustatud andurite ja seiresüsteemidega, mis koguvad teavet selle tegevuse kohta. Salvestatud andmed kirjeldavad roboti käitumise ja töökeskkonna erinevaid aspekte.
Need võivad sisaldada numbrilisi väärtusi (näiteks keskmine kiirus, läbitud vahemaa, kokkupõrgete arv või kogutud objektid), aga ka kategoorilist või kirjeldavat teavet (nagu areeni tüüp või keskkonnatingimused). Nende andmete analüüsimisel saab täheldada mustreid selles, kuidas robotid liiguvad, ruumi uurivad, objekte koguvad või takistustele reageerivad.

Nende andmete analüüs on oluline:

• roboti järgitava strateegia tuvastamiseks vaadeldud käitumise põhjal;
• strateegiaid eristavate tunnuste mõistmiseks;
• mudelite loomiseks, mis on võimelised uurimismustreid automaatselt tuvastama.

Selle probleemi lahendamiseks on teil kasutada kaks faili:

• train.csv – sisaldab märgistatud näiteid, mida kasutatakse analüüsiks ja mudelite treenimiseks;
• test.csv – sisaldab samu muutujaid ilma veeruta strategy_label ja seda kasutatakse ennustuste genereerimiseks.

Robotite strateegiad

Eksperimentides kasutatakse nelja tüüpi strateegiaid:

• explorer – robot, mis püüab külastada võimalikult palju erinevaid piirkondi;
• collector – robot, mis keskendub objektide kogumisele;
• guardian – robot, mis patrullib ja naaseb sageli samadesse piirkondadesse;
• sprinter – robot, mis liigub kiiresti, keskendudes kiirusele ja katvusele lühikese aja jooksul.

Andmestiku kirjeldus

Iga rida failides train.csv ja test.csv vastab ühele eksperimendile.

Andmestik sisaldab veerge, mis kirjeldavad roboti käitumise erinevaid aspekte. Selliste tunnuste näited on:

Ülesanded

Task 1 - Areenitüüpide arv (15 punkti)

Kasutades faili train.csv andmeid, määrake, kui palju erinevaid väärtusi esineb veerus arena_type.

Task 2 - Maksimaalne täheldatud kiirus (15 punkti)

Kasutades faili train.csv andmeid, määrake veeru avg_speed_mps maksimaalne väärtus.

Task 3 - Kõige sagedamini kasutatav areen (10 punkti)

Faili train.csv andmete põhjal määrake, milline areenitüüp esineb veerus arena_type kõige sagedamini.

Task 4 - Maksimaalne kogumisjõudlus (10 punkti)

Faili train.csv andmete põhjal määrake veeru items_collected maksimaalne väärtus.

Task 5 – Roboti strateegia tuvastamine (50 punkti)

Looge mudel, mis määrab roboti strateegia iga eksperimendi jaoks failis test.csv.

Võimalikud väärtused on:

1explorer2collector3guardian4sprinter

Esitamise faili vorming

Esitamise fail peab olema csv vormingus ja sisaldama järgmisi veerge:

subtaskID võimalikud väärtused on:

Task 1 – Task 4 puhul on tulemuseks väärtus, mis on arvutatud globaalselt train.csv andmete põhjal.
Esitamise failis tuleb see edastada ainult üks kord, kasutades robot_id jaoks eriväärtust GLOBAL.

Task 5 puhul tuleb teatada ennustatud strateegia iga roboti kohta failist test.csv.

Võimalikud väärtused on:

1explorer2collector3guardian4sprinter

Näide submission.csv failist

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

Hindamine

Kogupunktisumma on 100 punkti.

Task 1 – Task 4 (50 punkti)

Esimese nelja ülesande puhul määratakse vastused eranditult train.csv andmete põhjal.

Hindamine toimub täpse võrdluse (võrdsuse) teel esitamise failis saadetud väärtuse ja train.csv põhjal arvutatud õige väärtuse vahel.

Task 5 – Roboti strateegia tuvastamine (50 punkti)

Selle ülesande puhul hinnatakse failis test.csv olevate robotite ennustatud strateegiate õigsust.

Kasutatakse Macro-F1 meetrikat, mis arvutab F1-skoori iga klassi kohta ja võtab seejärel nende väärtuste keskmise.

Klassi c jaoks:

Lõplik Macro-F1 skoor on kõigi klasside F1-skooride keskmine:

kus K on klasside arv. Selles probleemis on K = 4.

Task 5 eest antavad punktid on:

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

⬇ Laadi alla Starter Kit