Se încarcă...
Problemă #320
Autor:Echipa științifică ONIA
Dificultate
Maximul tău
N/A
Doi curieri autonomi împart același depozit. Mai au ceva în comun: folosesc
aceeași politică neuronală compactă. Poate un singur model să coordoneze
ambii roboți, să livreze toate coletele, să se recupereze după defecțiuni și să
generalizeze când geometria depozitului se schimbă?
Fiecare episod ascuns este o grilă 10×10 cu doi roboți, patru perechi
ridicare–livrare, două stații de încărcare și optsprezece celule blocate. Un robot
poate merge în cele patru direcții cardinale, poate ridica, livra sau aștepta.
Roboții nu pot ocupa aceeași celulă și nu își pot schimba reciproc pozițiile
într-un singur pas. Orice încercare de deplasare consumă energie; un robot rămas
fără baterie departe de o stație este pierdut pentru episodul respectiv.
Actuatoarele se pot bloca temporar. O comandă de deplasare consumă atunci energie
fără a schimba poziția. Observația indică blocarea, iar acțiunea wait face
recuperarea. Așteptarea pe o stație reîncarcă și bateria. Politica vede starea
celuilalt robot, starea coletelor, trăsături compacte de rutare și o recomandare
conservatoare de cedare a priorității din stiva fixă de navigație.
Antrenați sau construiți un singur MLP cu ReLU:
72 intrări → 64 ReLU → 32 ReLU → 7 logituriLa fiecare pas, evaluatorul aplică aceleași ponderi separat pentru robotul 0 și
robotul 1, maschează acțiunile ilegale și execută simultan cele două decizii.
Sunt acceptate numai ponderi fixe float32; codul concurentului nu este executat.
Arhiva publică include demonstrații expert, hărți familiare de validare, un
baseline NumPy, un exportator și un validator. Puteți aborda problema prin
imitation learning, reponderarea datelor, augmentare sintetică, reinforcement
learning într-un simulator reimplementat, distilare sau sinteza directă a
ponderilor.
Fiecare componentă conține 24 de scenarii private, iar orice simulare rulează
exact 160 de pași.
Livrările determină cea mai mare parte a scorului. Livrările rapide și energia
rămasă aduc bonusuri mai mici. Coliziunile, bateriile epuizate și perioadele
repetate de 16 pași fără progres sunt penalizate. Formula exactă și indicii
trăsăturilor sunt în README-ul datasetului, inclusiv calibrarea continuă și
publică a intervalelor care face vizibile îmbunătățirile din zona funcțională.
Scorul este în [0, 100]; mai mare înseamnă mai bine.
Repere recomandate: 25+ funcțional, 50+ competitiv, 75+ excelent.
Încărcați un ZIP care conține exact manifest.json și policy.npz. Cele șase
matrice și formele lor obligatorii sunt documentate în kit. Toate valorile
trebuie să fie finite, float32 și cel mult 25 în valoare absolută. Dimensiunea
maximă a arhivei după extragerea ZIP-ului exterior este 256 KB.