Robotkézbesítési Akadémia

Robotkézbesítési Akadémia

Önök egy kézbesítőrobotot tanítanak be egy 8 × 8 cellából álló városi térképen. A robot minden epizódban egy szabad celláról indul, eléri a raktárt, ahol a csomag található, felveszi azt, elmegy egy másik raktárhoz — a célállomáshoz —, és kézbesíti. Minden térkép hat raktárt és nyolc blokkolt cellát tartalmaz.

A cél a robot viselkedésének megtanulása szándékosan kevés szakértői demonstrációból. Ez egy viselkedésklónozási feladat: egy modellt tanítanak be megfigyelés/akció példákon, majd lépésről lépésre futtatják új epizódokon.

Környezet

A raktárak indexei 0..5, címkéik pedig A..F. Egy epizód akkor ér véget sikeresen, amikor a robot a csomagot szállítva érvényes dropoff akciót hajt végre a célállomáson. Legfeljebb 120 actions engedélyezett.

A falba vagy a térképen kívülre történő mozgás nem változtatja meg a robot helyzetét, de egy lépést felhasznál. A pickup csak a csomag raktáránál sikeres, amikor a robot még nem szállítja a csomagot. A dropoff csak a célállomáson sikeres, amikor a robot szállítja a csomagot. Az érvénytelen pickup vagy dropoff nem változtatja meg a state-et, és egy lépést felhasznál.

Megfigyelés

Minden tanítási megfigyelés a következőket tartalmazza:

• grid: egy float32 tenzor (6, 8, 8) alakkal;
• vector: 13 normalizált numerikus érték;
• action_mask: hat logikai érték, amelyek az érvényes actions-t jelzik;
• state: (row, column, package_field, destination).

A grid tenzor csatornái a következőket ábrázolják:

1. falak;
2. az összes raktár;
3. a robot helyzete;
4. a csomag helyzete, üres csatornával, amíg a robot a csomagot szállítja;
5. a célállomás;
6. a szállítási jelző, a teljes térképen megismételve.

A vector sorrendben a következőket tartalmazza: a robot normalizált sora és oszlopa, a csomagmező, a célállomás, a szállítási jelző, az aktuális cél sora és oszlopa, a céltól való eltérések, majd négy blokkoltmozgás-jelző dél, észak, kelet, nyugat sorrendben.

Adatok

A nyilvános adathalmaz a következőket tartalmazza:

• 400 sikeres szakértői demonstráció, amelyek 5,327 címkézett lépést tartalmaznak;
• 200 validációs forgatókönyv szakértői actions nélkül;
• 1,600 tesztforgatókönyv szakértői actions nélkül.

A platformcsomag Python pickle-fájlok helyett JSON-t és biztonságos NumPy-tömböket használ. A pontos neveket és a betöltési kódot a starter_kit.py tartalmazza. A NumPy-fájlokat allow_pickle=False használatával töltsék be.

Minden layout_id négy epizódhoz tartozik. Az egyedi kulcs mindig:

1(layout_id, episode_seed)

Feladat

Tanítsanak be egy determinisztikus modellt, amely az aktuális megfigyelésből előrejelzi a következő akciót. Futtassák a modellt teljes epizódokon, és minden tesztforgatókönyvhöz hozzanak létre egy akciósorozatot.

A megadott demonstrációkat felhasználhatják a betanításhoz. Nem szerezhetnek szakértői címkéket a validációs vagy tesztadathalmazokhoz, és nem hozhatnak létre további szakértői demonstrációkat kereséssel, tervezéssel vagy más szakértői modellel. A szabályalapú vagy kifejezetten mereven kódolt megoldásokat a Tudományos Bizottság felülvizsgálhatja. A szervezők kérhetik a beküldés létrehozásához használt notebookot vagy forráskódot.

Beküldési formátum

Egy predictions.zip nevű ZIP-archívumot küldjenek be, amelynek gyökerében pontosan egy fájl található: predictions.json.

A fájlnak pontosan 1,600 objektumot tartalmazó JSON-tömbnek kell lennie, minden tesztepizódhoz egy objektummal:

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

Követelmények:

• az epizódok párosítása a (layout_id, episode_seed) használatával történik, nem a sorok sorrendje alapján;
• minden epizódnak pontosan egyszer kell szerepelnie;
• ismeretlen vagy ismétlődő kulcsok nem engedélyezettek;
• az actions értékének 0 és 5 közötti egész számokból — nem logikai értékekből — álló JSON-listának kell lennie;
• minden lista legfeljebb 120 actions-t tartalmazhat;
• az előrejelzések létrehozásának determinisztikusnak kell lennie.

Az érvénytelen archívumokat vagy hiányos beküldéseket elutasítják.

Értékelés

A metrika az epizódok sikerességi aránya:

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

Nem jár részpontszám a csomag eléréséért, a célhoz való közeledésért vagy kevesebb lépés használatáért.

A platform ranglistájához a teszttérképek determinisztikusan vannak felosztva:

• élő/részleges ranglista: 80 térkép, 320 epizód;
• végleges/teljes ranglista: 320 térkép, 1,280 epizód.

A verseny során a részleges pontszám jelenik meg, míg a végleges ranglista a teljes halmazt használja. A két részhalmazhoz való tartozás nem szerepel a nyilvános adatokban. Az átlagos lépésszám és az érvénytelen pickup-/dropoff-kísérletek megjelenhetnek az értékelő naplóiban, de nem befolyásolják a pontszámot.

Forrásmegjelölés

Az „Robotkézbesítési Akadémia: előkészítő program” (IOAI 2026, Home Task 2) alapján adaptálva. A biztonságos adatreprezentáció, a validációs szabályok, a ranglista felosztása és az értékelő a MLCompete platformhoz készült adaptációk.