Robôs no Labirinto - 9/10

Contexto

Em um centro de pesquisa para sistemas autônomos, vários tipos de robôs são testados. Para esses experimentos, foram utilizados diversos tipos de arenas, e cada robô segue uma determinada estratégia de exploração. Durante cada experimento, o robô é equipado com um conjunto de sensores e sistemas de monitoramento que coletam informações sobre sua atividade. Os dados registrados descrevem diferentes aspectos do comportamento do robô e do ambiente em que ele opera.
Estes podem incluir valores numéricos (por exemplo, velocidade média, distância percorrida, número de colisões ou objetos coletados), mas também informações categoriais ou descritivas (como o tipo de arena ou condições ambientais). Através da análise desses dados, é possível observar padrões na forma como os robôs se deslocam, exploram o espaço, coletam objetos ou reagem a obstáculos.

A análise desses dados é importante para:

• identificar a estratégia seguida por um robô com base no comportamento observado;
• compreender as características que diferenciam as estratégias entre si;
• construir modelos capazes de reconhecer automaticamente padrões de exploração.

Para resolver este problema, você terá à disposição dois arquivos:

• train.csv – contém exemplos rotulados, usados para análise e treinamento de modelos;
• test.csv – contém as mesmas variáveis, sem a coluna strategy_label, e é usado para a geração de previsões.

Estratégias dos robôs

Nos experimentos, são utilizados quatro tipos de estratégias:

• explorer – robô que tenta visitar o maior número possível de áreas diferentes;
• collector – robô focado na coleta de objetos;
• guardian – robô que patrulha e retorna frequentemente às mesmas regiões;
• sprinter – robô que se desloca rapidamente, com foco em velocidade e cobertura em um curto espaço de tempo.

Descrição do conjunto de dados

Cada linha nos arquivos train.csv e test.csv corresponde a um experimento.

O conjunto de dados contém colunas que descrevem diferentes aspectos do comportamento do robô. Exemplos dessas características são:

Requisitos

Task 1 - Número de tipos de arenas (15 pontos)

Usando os dados do arquivo train.csv, determine quantos valores distintos aparecem na coluna arena_type.

Task 2 - Velocidade máxima observada (15 pontos)

Usando os dados do arquivo train.csv, determine o valor máximo da coluna avg_speed_mps.

Task 3 - Arena mais frequentemente utilizada (10 pontos)

Com base nos dados do arquivo train.csv, determine qual é o tipo de arena que aparece com mais frequência na coluna arena_type.

Task 4 - Desempenho máximo de coleta (10 pontos)

Com base nos dados do arquivo train.csv, determine o valor máximo da coluna items_collected.

Task 5 – Identificação da estratégia do robô (50 pontos)

Construa um modelo que determine a estratégia do robô para cada experimento em test.csv.

Os valores possíveis são:

1explorer2collector3guardian4sprinter

Formato do arquivo de submissão

O arquivo de submissão deve estar no formato csv e conter as seguintes colunas:

Os valores possíveis para subtaskID são:

Para as Task 1 – Task 4, o resultado é um valor calculado globalmente com base nos dados de train.csv.
No arquivo de submissão, este deve ser enviado apenas uma vez, usando o valor especial GLOBAL para robot_id.

Para a Task 5, deve ser reportada a estratégia prevista para cada robô em test.csv.

Os valores possíveis são:

1explorer2collector3guardian4sprinter

Exemplo de arquivo submission.csv

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

Avaliação

A pontuação total é de 100 pontos.

Task 1 – Task 4 (50 pontos)

Para as primeiras quatro tarefas, as respostas são determinadas exclusivamente com base nos dados de train.csv.

A avaliação é feita por comparação exata (igualdade) entre o valor enviado no arquivo de submissão e o valor correto calculado a partir de train.csv.

Task 5 – Identificação da estratégia do robô (50 pontos)

Para esta tarefa, avalia-se a correção das estratégias previstas para os robôs em test.csv.

Utiliza-se a métrica Macro-F1, que calcula a pontuação F1 para cada classe e depois faz a média desses valores.

Para uma classe c:

A pontuação final Macro-F1 é a média das pontuações F1 para todas as classes:

onde K é o número de classes. Neste problema, K = 4.

A pontuação atribuída para a Task 5 é:

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

⬇ Download Starter Kit