რობოტები ლაბირინთში - 9/10

კონტექსტი

ავტონომიური სისტემების კვლევით ცენტრში ტესტირებას გადის რამდენიმე ტიპის რობოტი. ამ ექსპერიმენტებისთვის გამოყენებული იქნა სხვადასხვა ტიპის არენები, და თითოეული რობოტი მიჰყვება გარკვეულ კვლევის სტრატეგიას. თითოეული ექსპერიმენტის დროს, რობოტი აღჭურვილია სენსორების ნაკრებით და მონიტორინგის სისტემებით, რომლებიც აგროვებენ ინფორმაციას მისი აქტივობის შესახებ. ჩაწერილი მონაცემები აღწერს რობოტის ქცევის სხვადასხვა ასპექტს და გარემოს, რომელშიც ის ოპერირებს.
ეს შეიძლება მოიცავდეს რიცხვით მნიშვნელობებს (მაგალითად, საშუალო სიჩქარე, გავლილი მანძილი, შეჯახებების რაოდენობა ან შეგროვებული ობიექტები), ასევე კატეგორიულ ან აღწერილობით ინფორმაციას (როგორიცაა არენის ტიპი ან გარემო პირობები). ამ მონაცემების ანალიზით შესაძლებელია კანონზომიერებების შემჩნევა იმაში, თუ როგორ გადაადგილდებიან რობოტები, იკვლევენ სივრცეს, აგროვებენ ობიექტებს ან რეაგირებენ დაბრკოლებებზე.

ამ მონაცემების ანალიზი მნიშვნელოვანია:

• დაკვირვებული ქცევის საფუძველზე რობოტის მიერ არჩეული სტრატეგიის იდენტიფიცირებისთვის;
• იმ მახასიათებლების გასაგებად, რომლებიც განასხვავებენ სტრატეგიებს ერთმანეთისგან;
• მოდელების ასაგებად, რომლებსაც შეუძლიათ ავტომატურად ამოიცნონ კვლევის შაბლონები.

ამ ამოცანის გადასაჭრელად თქვენ გექნებათ ორი ფაილი:

• train.csv – შეიცავს ეტიკეტირებულ მაგალითებს, რომლებიც გამოიყენება ანალიზისთვის და მოდელების მოსამზადებლად;
• test.csv – შეიცავს იგივე ცვლადებს, strategy_label სვეტის გარეშე, და გამოიყენება პროგნოზების გენერირებისთვის.

რობოტების სტრატეგიები

ექსპერიმენტებში გამოიყენება ოთხი ტიპის სტრატეგია:

• explorer – რობოტი, რომელიც ცდილობს მოინახულოს რაც შეიძლება მეტი სხვადასხვა ზონა;
• collector – რობოტი, რომელიც ორიენტირებულია ობიექტების შეგროვებაზე;
• guardian – რობოტი, რომელიც პატრულირებს და ხშირად ბრუნდება იმავე რეგიონებში;
• sprinter – რობოტი, რომელიც სწრაფად გადაადგილდება, აქცენტით სიჩქარეზე და მოკლე დროში დაფარვაზე.

მონაცემთა ნაკრების აღწერა

თითოეული ხაზი train.csv და test.csv ფაილებში შეესაბამება ერთ ექსპერიმენტს.

მონაცემთა ნაკრები შეიცავს სვეტებს, რომლებიც აღწერს რობოტის ქცევის სხვადასხვა ასპექტს. ასეთი მახასიათებლების მაგალითებია:

მოთხოვნები

Task 1 - არენის ტიპების რაოდენობა (15 ქულა)

train.csv ფაილის მონაცემების გამოყენებით, განსაზღვრეთ რამდენი განსხვავებული მნიშვნელობა გვხვდება arena_type სვეტში.

Task 2 - მაქსიმალური დაფიქსირებული სიჩქარე (15 ქულა)

train.csv ფაილის მონაცემების გამოყენებით, განსაზღვრეთ მაქსიმალური მნიშვნელობა avg_speed_mps სვეტში.

Task 3 - ყველაზე ხშირად გამოყენებული არენა (10 ქულა)

train.csv ფაილის მონაცემების საფუძველზე, განსაზღვრეთ არენის რომელი ტიპი გვხვდება ყველაზე ხშირად arena_type სვეტში.

Task 4 - შეგროვების მაქსიმალური ეფექტურობა (10 ქულა)

train.csv ფაილის მონაცემების საფუძველზე, განსაზღვრეთ მაქსიმალური მნიშვნელობა items_collected სვეტში.

Task 5 – რობოტის სტრატეგიის იდენტიფიცირება (50 ქულა)

ააგეთ მოდელი, რომელიც განსაზღვრავს რობოტის სტრატეგიას თითოეული ექსპერიმენტისთვის test.csv-დან.

შესაძლო მნიშვნელობებია:

1explorer2collector3guardian4sprinter

წარსადგენი ფაილის ფორმატი

წარსადგენი ფაილი უნდა იყოს csv ფორმატში და შეიცავდეს შემდეგ სვეტებს:

subtaskID-ის შესაძლო მნიშვნელობებია:

Task 1 – Task 4-ისთვის, შედეგი არის train.csv მონაცემებზე დაყრდნობით გლობალურად გამოთვლილი მნიშვნელობა.
წარსადგენ ფაილში ეს უნდა გადაიცეს მხოლოდ ერთხელ, robot_id-ისთვის სპეციალური მნიშვნელობის GLOBAL გამოყენებით.

Task 5-ისთვის, უნდა მიეთითოს პროგნოზირებული სტრატეგია თითოეული რობოტისთვის test.csv-დან.

შესაძლო მნიშვნელობებია:

1explorer2collector3guardian4sprinter

submission.csv ფაილის მაგალითი

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

შეფასება

ჯამური ქულაა 100 ქულა.

Task 1 – Task 4 (50 ქულა)

პირველი ოთხი დავალებისთვის პასუხები განისაზღვრება ექსკლუზიურად train.csv მონაცემების საფუძველზე.

შეფასება ხდება წარსადგენ ფაილში მითითებულ მნიშვნელობასა და train.csv-დან გამოთვლილ სწორ მნიშვნელობას შორის ზუსტი შედარებით (ტოლობით).

Task 5 – რობოტის სტრატეგიის იდენტიფიცირება (50 ქულა)

ამ დავალებისთვის ფასდება test.csv-ის რობოტებისთვის პროგნოზირებული სტრატეგიების სისწორე.

გამოიყენება Macro-F1 მეტრიკა, რომელიც ითვლის F1 ქულას თითოეული კლასისთვის და შემდეგ იღებს ამ მნიშვნელობების საშუალოს.

c კლასისთვის:

საბოლოო Macro-F1 ქულა არის ყველა კლასის F1 ქულების საშუალო:

სადაც K არის კლასების რაოდენობა. ამ ამოცანაში K = 4.

Task 5-ისთვის მინიჭებული ქულაა:

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

⬇ ჩამოტვირთეთ Starter Kit