Robot nel labirinto - 9/10

Contesto

In un centro di ricerca per sistemi autonomi vengono testati diversi tipi di robot. Per questi esperimenti sono stati utilizzati vari tipi di arene e ogni robot segue una determinata strategia di esplorazione. Durante ogni esperimento, il robot è equipaggiato con un set di sensori e sistemi di monitoraggio che raccolgono informazioni sulla sua attività. I dati registrati descrivono diversi aspetti del comportamento del robot e dell'ambiente in cui opera.
Questi possono includere valori numerici (ad esempio, velocità media, distanza percorsa, numero di collisioni o oggetti raccolti), ma anche informazioni categoriali o descrittive (come il tipo di arena o le condizioni ambientali). Attraverso l'analisi di questi dati si possono osservare pattern nel modo in cui i robot si muovono, esplorano lo spazio, raccolgono oggetti o reagiscono agli ostacoli.

L'analisi di questi dati è importante per:

• identificare la strategia seguita da un robot in base al comportamento osservato;
• comprendere le caratteristiche che differenziano le strategie tra loro;
• costruire modelli capaci di riconoscere automaticamente i pattern di esplorazione.

Per risolvere questo problema avrete a disposizione due file:

• train.csv – contiene esempi etichettati, utilizzati per l'analisi e l'addestramento dei modelli;
• test.csv – contiene le stesse variabili, senza la colonna strategy_label, ed è utilizzato per generare le predizioni.

Strategie dei robot

Negli esperimenti vengono utilizzati quattro tipi di strategie:

• explorer – robot che cerca di visitare quante più zone diverse possibile;
• collector – robot che punta alla raccolta di oggetti;
• guardian – robot che pattuglia e torna frequentemente nelle stesse regioni;
• sprinter – robot che si muove rapidamente, con enfasi sulla velocità e sulla copertura in breve tempo.

Descrizione del set di dati

Ogni riga nei file train.csv e test.csv corrisponde a un esperimento.

Il set di dati contiene colonne che descrivono diversi aspetti del comportamento del robot. Esempi di tali caratteristiche sono:

Requisiti

Task 1 - Numero di tipi di arene (15 punti)

Utilizzando i dati nel file train.csv, determina quanti valori distinti compaiono nella colonna arena_type.

Task 2 - Velocità massima osservata (15 punti)

Utilizzando i dati nel file train.csv, determina il massimo dei valori nella colonna avg_speed_mps.

Task 3 - Arena utilizzata più frequentemente (10 punti)

Sulla base dei dati nel file train.csv, determina qual è il tipo di arena che compare più frequentemente nella colonna arena_type.

Task 4 - Massima performance di raccolta (10 punti)

Sulla base dei dati nel file train.csv, determina il valore massimo della colonna items_collected.

Task 5 – Identificazione della strategia del robot (50 punti)

Costruisci un modello che determini la strategia del robot per ogni esperimento in test.csv.

I valori possibili sono:

1explorer2collector3guardian4sprinter

Formato del file di sottomissione

Il file di sottomissione deve essere in formato csv e contenere le seguenti colonne:

I valori possibili per subtaskID sono:

Per il Task 1 – Task 4, il risultato è un valore calcolato globalmente sulla base dei dati in train.csv.
Nel file di sottomissione, questo deve essere inviato una sola volta, utilizzando il valore speciale GLOBAL per robot_id.

Per il Task 5, deve essere riportata la strategia prevista per ogni robot in test.csv.

I valori possibili sono:

1explorer2collector3guardian4sprinter

Esempio di file submission.csv

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

Valutazione

Il punteggio totale è di 100 punti.

Task 1 – Task 4 (50 punti)

Per i primi quattro task, le risposte sono determinate esclusivamente sulla base dei dati in train.csv.

La valutazione viene effettuata tramite confronto esatto (uguaglianza) tra il valore inviato nel file di sottomissione e il valore corretto calcolato da train.csv.

Task 5 – Identificazione della strategia del robot (50 punti)

Per questo task viene valutata la correttezza delle strategie previste per i robot in test.csv.

Si utilizza la metrica Macro-F1, che calcola il punteggio F1 per ogni classe e poi fa la media di questi valori.

Per una classe c:

Il punteggio finale Macro-F1 è la media dei punteggi F1 per tutte le classi:

dove K è il numero di classi. In questo problema, K = 4.

Il punteggio assegnato per il Task 5 è:

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

⬇ Download Starter Kit