Roboti u lavirintu - 9/10

Kontekst

U istraživačkom centru za autonomne sisteme testira se nekoliko tipova robota. Za ove eksperimente korišćeno je više tipova arena, a svaki robot prati određenu strategiju istraživanja. Tokom svakog eksperimenta, robot je opremljen setom senzora i sistema za praćenje koji prikupljaju informacije o njegovoj aktivnosti. Zabeleženi podaci opisuju različite aspekte ponašanja robota i okruženja u kojem on operiše.
Ovi podaci mogu uključivati numeričke vrednosti (na primer, prosečnu brzinu, pređenu udaljenost, broj sudara ili prikupljenih objekata), ali i kategoričke ili deskriptivne informacije (poput tipa arene ili uslova okruženja). Analizom ovih podataka mogu se uočiti obrasci u načinu na koji se roboti kreću, istražuju prostor, prikupljaju objekte ili reaguju na prepreke.

Analiza ovih podataka je važna za:

• identifikaciju strategije koju robot prati na osnovu uočenog ponašanja;
• razumevanje karakteristika koje razlikuju strategije jednu od druge;
• izgradnju modela sposobnih da automatski prepoznaju obrasce istraživanja.

Za rešavanje ovog problema na raspolaganju ćete imati dva fajla:

• train.csv – sadrži označene primere, koji se koriste za analizu i treniranje modela;
• test.csv – sadrži iste varijable, bez kolone strategy_label, i koristi se za generisanje predviđanja.

Strategije robota

U eksperimentima se koriste četiri tipa strategija:

• explorer – robot koji pokušava da poseti što više različitih zona;
• collector – robot koji teži prikupljanju objekata;
• guardian – robot koji patrolira i često se vraća u iste regione;
• sprinter – robot koji se kreće brzo, sa fokusom na brzinu i pokrivanje terena u kratkom vremenu.

Opis skupa podataka

Svaki red u fajlovima train.csv i test.csv odgovara jednom eksperimentu.

Skup podataka sadrži kolone koje opisuju različite aspekte ponašanja robota. Primeri takvih karakteristika su:

Zahtevi

Task 1 - Broj tipova arena (15 poena)

Koristeći podatke iz fajla train.csv, odredite koliko se različitih vrednosti pojavljuje u koloni arena_type.

Task 2 - Maksimalna uočena brzina (15 poena)

Koristeći podatke iz fajla train.csv, odredite maksimum vrednosti u koloni avg_speed_mps.

Task 3 - Najčešće korišćena arena (10 poena)

Na osnovu podataka iz fajla train.csv, odredite koji tip arene se najčešće pojavljuje u koloni arena_type.

Task 4 - Maksimalni učinak prikupljanja (10 poena)

Na osnovu podataka iz fajla train.csv, odredite maksimalnu vrednost kolone items_collected.

Task 5 – Identifikacija strategije robota (50 poena)

Konstruišite model koji određuje strategiju robota za svaki eksperiment iz test.csv.

Moguće vrednosti su:

1explorer2collector3guardian4sprinter

Format fajla za slanje

Fajl za slanje mora biti u csv formatu i sadržati sledeće kolone:

Moguće vrednosti za subtaskID su:

Za Task 1 – Task 4, rezultat je vrednost izračunata globalno na osnovu podataka iz train.csv.
U fajlu za slanje, ona se mora poslati samo jednom, koristeći specijalnu vrednost GLOBAL za robot_id.

Za Task 5, potrebno je prijaviti predviđenu strategiju za svakog robota iz test.csv.

Moguće vrednosti su:

1explorer2collector3guardian4sprinter

Primer fajla submission.csv

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

Evaluacija

Ukupan broj poena je 100 poena.

Task 1 – Task 4 (50 poena)

Za prva četiri zadatka, odgovori se određuju isključivo na osnovu podataka iz train.csv.

Evaluacija se vrši putem egzaktnog poređenja (jednakosti) između vrednosti poslate u fajlu za slanje i tačne vrednosti izračunate iz train.csv.

Task 5 – Identifikacija strategije robota (50 poena)

Za ovaj zadatak ocenjuje se tačnost predviđenih strategija za robote iz test.csv.

Koristi se metrika Macro-F1, koja izračunava F1 skor za svaku klasu, a zatim pravi prosek tih vrednosti.

Za klasu c:

Finalni Macro-F1 skor je prosek F1 skorova za sve klase:

gde je K broj klasa. U ovom problemu, K = 4.

Broj poena dodeljen za Task 5 je:

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

⬇ Download Starter Kit