Robotar i labyrinten - 9/10

Kontext

I ett forskningscenter för autonoma system testas flera typer av robotar. För dessa experiment har flera typer av arenor använts, och varje robot följer en viss utforskningsstrategi. Under varje experiment är roboten utrustad med en uppsättning sensorer och övervakningssystem som samlar in information om dess aktivitet. Den registrerade datan beskriver olika aspekter av robotens beteende och miljön den verkar i.
Dessa kan inkludera numeriska värden (till exempel medelhastighet, tillryggalagd sträcka, antal kollisioner eller insamlade föremål), men även kategorisk eller beskrivande information (såsom typ av arena eller miljöförhållanden). Genom analys av denna data kan man observera mönster i hur robotarna rör sig, utforskar utrymmet, samlar in föremål eller reagerar på hinder.

Analysen av denna data är viktig för att:

• identifiera den strategi en robot följer baserat på observerat beteende;
• förstå de drag som skiljer strategierna från varandra;
• bygga modeller som automatiskt kan känna igen utforskningsmönster.

För att lösa detta problem har du två filer till ditt förfogande:

• train.csv – innehåller märkta exempel som används för analys och träning av modeller;
• test.csv – innehåller samma variabler, utan kolumnen strategy_label, och används för att generera prediktioner.

Robotarnas strategier

I experimenten används fyra typer av strategier:

• explorer – en robot som försöker besöka så många olika områden som möjligt;
• collector – en robot som fokuserar på att samla in föremål;
• guardian – en robot som patrullerar och ofta återvänder till samma regioner;
• sprinter – en robot som rör sig snabbt, med fokus på hastighet och täckning på kort tid.

Beskrivning av datasetet

Varje rad i filerna train.csv och test.csv motsvarar ett experiment.

Datasetet innehåller kolumner som beskriver olika aspekter av robotens beteende. Exempel på sådana egenskaper är:

Krav

Task 1 - Antal arenatyper (15 poäng)

Använd data från filen train.csv för att bestämma hur många distinkta värden som förekommer i kolumnen arena_type.

Task 2 - Maximal observerad hastighet (15 poäng)

Använd data från filen train.csv för att bestämma det maximala värdet i kolumnen avg_speed_mps.

Task 3 - Den mest använda arenan (10 poäng)

Baserat på data i filen train.csv, bestäm vilken typ av arena som förekommer mest frekvent i kolumnen arena_type.

Task 4 - Maximal insamlingsprestanda (10 poäng)

Baserat på data i filen train.csv, bestäm det maximala värdet i kolumnen items_collected.

Task 5 – Identifiering av robotens strategi (50 poäng)

Bygg en modell som bestämmer robotens strategi för varje experiment i test.csv.

Möjliga värden är:

1explorer2collector3guardian4sprinter

Format för inlämningsfil

Inlämningsfilen ska vara i csv-format och innehålla följande kolumner:

Möjliga värden för subtaskID är:

För Task 1 – Task 4 är resultatet ett värde beräknat globalt baserat på data i train.csv.
I inlämningsfilen ska detta skickas endast en gång, med det speciella värdet GLOBAL för robot_id.

För Task 5 ska den förutsagda strategin rapporteras för varje robot i test.csv.

Möjliga värden är:

1explorer2collector3guardian4sprinter

Exempel på filen submission.csv

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

Utvärdering

Totalpoängen är 100 poäng.

Task 1 – Task 4 (50 poäng)

För de första fyra uppgifterna bestäms svaren uteslutande baserat på data i train.csv.

Utvärderingen sker genom exakt jämförelse (likhet) mellan det värde som skickats i inlämningsfilen och det korrekta värdet beräknat från train.csv.

Task 5 – Identifiering av robotens strategi (50 poäng)

För denna uppgift utvärderas korrektheten i de förutsagda strategierna för robotarna i test.csv.

Metriken Macro-F1 används, vilken beräknar F1-poängen för varje klass och sedan tar genomsnittet av dessa värden.

För en klass c:

Den slutgiltiga Macro-F1-poängen är genomsnittet av F1-poängen för alla klasser:

där K är antalet klasser. I detta problem är K = 4.

Poängen som ges för Task 5 är:

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

⬇ Ladda ner Starter Kit