Roboter i labyrinten - 9/10

Kontekst

I et forskningssenter for autonome systemer testes flere typer roboter. For disse eksperimentene har flere typer arenaer blitt brukt, og hver robot følger en bestemt utforskningsstrategi. Under hvert eksperiment er roboten utstyrt med et sett sensorer og overvåkingssystemer som samler inn informasjon om dens aktivitet. De registrerte dataene beskriver ulike aspekter ved robotens atferd og miljøet den opererer i.
Disse kan inkludere numeriske verdier (for eksempel gjennomsnittshastighet, tilbakelagt distanse, antall kollisjoner eller innsamlede objekter), men også kategorisk eller beskrivende informasjon (som arenatype eller miljøforhold). Ved å analysere disse dataene kan man observere mønstre i hvordan robotene beveger seg, utforsker rommet, samler objekter eller reagerer på hindringer.

Analysen av disse dataene er viktig for:

• å identifisere strategien som følges av en robot basert på observert atferd;
• å forstå trekkene som skiller strategiene fra hverandre;
• å bygge modeller som er i stand til å gjenkjenne utforskningsmønstre automatisk.

For å løse dette problemet vil du ha to filer til disposisjon:

• train.csv – inneholder merkede eksempler, brukt til analyse og trening av modeller;
• test.csv – inneholder de samme variablene, uten kolonnen strategy_label, og brukes til å generere prediksjoner.

Robotenes strategier

Fire typer strategier brukes i eksperimentene:

• explorer – robot som prøver å besøke så mange forskjellige områder som mulig;
• collector – robot som fokuserer på å samle objekter;
• guardian – robot som patruljerer og ofte returnerer til de samme regionene;
• sprinter – robot som beveger seg raskt, med vekt på hastighet og dekning på kort tid.

Beskrivelse av datasettet

Hver linje i filene train.csv og test.csv tilsvarer et eksperiment.

Datasettet inneholder kolonner som beskriver ulike aspekter ved robotens atferd. Eksempler på slike egenskaper er:

Krav

Task 1 - Antall arenatyper (15 poeng)

Bruk dataene i filen train.csv til å bestemme hvor mange distinkte verdier som finnes i kolonnen arena_type.

Task 2 - Maksimal observert hastighet (15 poeng)

Bruk dataene i filen train.csv til å bestemme maksimalverdien i kolonnen avg_speed_mps.

Task 3 - Mest brukte arena (10 poeng)

Basert på dataene i filen train.csv, bestem hvilken arenatype som forekommer hyppigst i kolonnen arena_type.

Task 4 - Maksimal innsamlingsytelse (10 poeng)

Basert på dataene i filen train.csv, bestem maksimalverdien i kolonnen items_collected.

Task 5 – Identifisering av robotens strategi (50 poeng)

Bygg en modell som bestemmer robotens strategi for hvert eksperiment i test.csv.

Mulige verdier er:

1explorer2collector3guardian4sprinter

Format for innsendingsfil

Innsendingsfilen må være i csv-format og inneholde følgende kolonner:

Mulige verdier for subtaskID er:

For Task 1 – Task 4 er resultatet en verdi beregnet globalt basert på dataene i train.csv.
I innsendingsfilen må dette sendes én gang, ved å bruke spesialverdien GLOBAL for robot_id.

For Task 5 må den predikerte strategien rapporteres for hver robot i test.csv.

Mulige verdier er:

1explorer2collector3guardian4sprinter

Eksempel på submission.csv-fil

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

Evaluering

Total poengsum er 100 poeng.

Task 1 – Task 4 (50 poeng)

For de fire første oppgavene bestemmes svarene utelukkende basert på dataene i train.csv.

Evalueringen gjøres ved nøyaktig sammenligning (likhet) mellom verdien sendt i innsendingsfilen og den korrekte verdien beregnet fra train.csv.

Task 5 – Identifisering av robotens strategi (50 poeng)

For denne oppgaven evalueres nøyaktigheten av de predikerte strategiene for robotene i test.csv.

Metrikken Macro-F1 brukes, som beregner F1-score for hver klasse og deretter tar gjennomsnittet av disse verdiene.

For en klasse c:

Den endelige Macro-F1-scoren er gjennomsnittet av F1-scorene for alle klasser:

der K er antall klasser. I dette problemet er K = 4.

Poengsummen for Task 5 er:

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

⬇ Last ned Starter Kit