Roboti v labirintu - 9/10

Kontekst

V raziskovalnem centru za avtonomne sisteme testirajo več vrst robotov. Za te poskuse so uporabili različne vrste aren, vsak robot pa sledi določeni strategiji raziskovanja. Med vsakim poskusom je robot opremljen s kompletom senzorjev in sistemov za spremljanje, ki zbirajo informacije o njegovi dejavnosti. Zabeleženi podatki opisujejo različne vidike vedenja robota in okolja, v katerem deluje.
Ti lahko vključujejo numerične vrednosti (na primer povprečno hitrost, prevoženo razdaljo, število trkov ali zbranih predmetov), pa tudi kategorične ali opisne informacije (kot sta vrsta arene ali okoljski pogoji). Z analizo teh podatkov je mogoče opaziti vzorce v načinu premikanja robotov, raziskovanja prostora, zbiranja predmetov ali odzivanja na ovire.

Analiza teh podatkov je pomembna za:

• identifikacijo strategije, ki ji robot sledi na podlagi opazovanega vedenja;
• razumevanje lastnosti, ki razlikujejo strategije med seboj;
• izgradnjo modelov, ki so sposobni samodejno prepoznati vzorce raziskovanja.

Za reševanje tega problema bosta na voljo dve datoteki:

• train.csv – vsebuje označene primere, ki se uporabljajo za analizo in učenje modelov;
• test.csv – vsebuje iste spremenljivke, brez stolpca strategy_label, in se uporablja za generiranje napovedi.

Strategije robotov

V poskusih se uporabljajo štiri vrste strategij:

• explorer – robot, ki poskuša obiskati čim več različnih območij;
• collector – robot, ki se osredotoča na zbiranje predmetov;
• guardian – robot, ki patruljira in se pogosto vrača v ista območja;
• sprinter – robot, ki se premika hitro, s poudarkom na hitrosti in pokritosti v kratkem času.

Opis nabora podatkov

Vsaka vrstica v datotekah train.csv in test.csv ustreza enemu poskusu.

Nabor podatkov vsebuje stolpce, ki opisujejo različne vidike vedenja robota. Primeri takšnih značilnosti so:

Zahteve

Naloga 1 - Število vrst aren (15 točk)

Z uporabo podatkov iz datoteke train.csv določite, koliko različnih vrednosti se pojavi v stolpcu arena_type.

Naloga 2 - Največja opažena hitrost (15 točk)

Z uporabo podatkov iz datoteke train.csv določite največjo vrednost v stolpcu avg_speed_mps.

Naloga 3 - Najpogosteje uporabljena arena (10 točk)

Na podlagi podatkov iz datoteke train.csv določite, katera vrsta arene se najpogosteje pojavi v stolpcu arena_type.

Naloga 4 - Največja učinkovitost zbiranja (10 točk)

Na podlagi podatkov iz datoteke train.csv določite največjo vrednost v stolpcu items_collected.

Naloga 5 – Identifikacija strategije robota (50 točk)

Zgradite model, ki določi strategijo robota za vsak poskus v test.csv.

Možne vrednosti so:

1explorer2collector3guardian4sprinter

Format datoteke za oddajo

Datoteka za oddajo mora biti v formatu csv in vsebovati naslednje stolpce:

Možne vrednosti za subtaskID so:

Za Nalogo 1 – Nalogo 4 je rezultat vrednost, izračunana globalno na podlagi podatkov iz train.csv.
V datoteki za oddajo jo je treba poslati samo enkrat, z uporabo posebne vrednosti GLOBAL za robot_id.

Za Nalogo 5 je treba poročati o napovedani strategiji za vsakega robota iz test.csv.

Možne vrednosti so:

1explorer2collector3guardian4sprinter

Primer datoteke submission.csv

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

Točkovanje

Skupno število točk je 100 točk.

Naloga 1 – Naloga 4 (50 točk)

Za prve štiri naloge se odgovori določijo izključno na podlagi podatkov iz train.csv.

Ocenjevanje poteka s točno primerjavo (enakostjo) med vrednostjo, poslano v datoteki za oddajo, in pravilno vrednostjo, izračunano iz train.csv.

Naloga 5 – Identifikacija strategije robota (50 točk)

Pri tej nalogi se ocenjuje pravilnost napovedanih strategij za robote iz test.csv.

Uporablja se metrika Macro-F1, ki izračuna oceno F1 za vsak razred in nato izračuna povprečje teh vrednosti.

Za razred c:

Končna ocena Macro-F1 je povprečje ocen F1 za vse razrede:

kjer je K število razredov. V tem problemu je K = 4.

Točke, dodeljene za Nalogo 5, so:

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

⬇ Prenesi Starter Kit