Robots dans le labyrinthe - 9/10

Contexte

Plusieurs types de robots sont testés dans un centre de recherche pour systèmes autonomes. Pour ces expériences, plusieurs types d'arènes ont été utilisés, et chaque robot suit une certaine stratégie d'exploration. Lors de chaque expérience, le robot est équipé d'un ensemble de capteurs et de systèmes de surveillance qui collectent des informations sur son activité. Les données enregistrées décrivent différents aspects du comportement du robot et de l'environnement dans lequel il opère.
Celles-ci peuvent inclure des valeurs numériques (par exemple, la vitesse moyenne, la distance parcourue, le nombre de collisions ou d'objets collectés), mais aussi des informations catégorielles ou descriptives (comme le type d'arène ou les conditions environnementales). L'analyse de ces données permet d'observer des modèles dans la manière dont les robots se déplacent, explorent l'espace, collectent des objets ou réagissent aux obstacles.

L'analyse de ces données est importante pour :

• identifier la stratégie suivie par un robot sur la base du comportement observé ;
• comprendre les traits qui différencient les stratégies entre elles ;
• construire des modèles capables de reconnaître automatiquement les modèles d'exploration.

Pour résoudre ce problème, vous disposerez de deux fichiers :

• train.csv – contient des exemples étiquetés, utilisés pour l'analyse et l'entraînement des modèles ;
• test.csv – contient les mêmes variables, sans la colonne strategy_label, et est utilisé pour générer les prédictions.

Stratégies des robots

Quatre types de stratégies sont utilisés dans les expériences :

• explorer – robot qui tente de visiter le plus grand nombre possible de zones différentes ;
• collector – robot qui vise la collecte d'objets ;
• guardian – robot qui patrouille et revient fréquemment dans les mêmes régions ;
• sprinter – robot qui se déplace rapidement, en mettant l'accent sur la vitesse et la couverture en un temps court.

Description du jeu de données

Chaque ligne des fichiers train.csv et test.csv correspond à une expérience.

Le jeu de données contient des colonnes décrivant différents aspects du comportement du robot. Des exemples de telles caractéristiques sont :

Exigences

Task 1 - Nombre de types d'arènes (15 points)

En utilisant les données du fichier train.csv, déterminez combien de valeurs distinctes apparaissent dans la colonne arena_type.

Task 2 - Vitesse maximale observée (15 points)

En utilisant les données du fichier train.csv, déterminez le maximum des valeurs de la colonne avg_speed_mps.

Task 3 - Arène la plus fréquemment utilisée (10 points)

Sur la base des données du fichier train.csv, déterminez quel est le type d'arène qui apparaît le plus fréquemment dans la colonne arena_type.

Task 4 - Performance maximale de collecte (10 points)

Sur la base des données du fichier train.csv, déterminez la valeur maximale de la colonne items_collected.

Task 5 – Identification de la stratégie du robot (50 points)

Construisez un modèle qui détermine la stratégie du robot pour chaque expérience de test.csv.

Les valeurs possibles sont :

1explorer2collector3guardian4sprinter

Format du fichier de soumission

Le fichier de soumission doit être au format csv et contenir les colonnes suivantes :

Les valeurs possibles pour subtaskID sont :

Pour les Task 1 – Task 4, le résultat est une valeur calculée globalement sur la base des données de train.csv.
Dans le fichier de soumission, celle-ci doit être transmise une seule fois, en utilisant la valeur spéciale GLOBAL pour robot_id.

Pour la Task 5, la stratégie prédite pour chaque robot de test.csv doit être rapportée.

Les valeurs possibles sont :

1explorer2collector3guardian4sprinter

Exemple de fichier submission.csv

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

Évaluation

Le score total est de 100 points.

Task 1 – Task 4 (50 points)

Pour les quatre premières tâches, les réponses sont déterminées exclusivement sur la base des données de train.csv.

L'évaluation se fait par comparaison exacte (égalité) entre la valeur transmise dans le fichier de soumission et la valeur correcte calculée à partir de train.csv.

Task 5 – Identification de la stratégie du robot (50 points)

Pour cette tâche, l'exactitude des stratégies prédites pour les robots de test.csv est évaluée.

La métrique Macro-F1 est utilisée, laquelle calcule le score F1 pour chaque classe puis fait la moyenne de ces valeurs.

Pour une classe c :

Le score final Macro-F1 est la moyenne des scores F1 pour toutes les classes :

où K est le nombre de classes. Dans ce problème, K = 4.

Le score accordé pour la Task 5 est :

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

⬇ Télécharger le Starter Kit