Mô tả bài toán

Khái niệm khoảng cách (range), góc phương vị (azimuth), góc ngẩng (elevation) và vận tốc (velocity) trong radar.

Trực quan hóa một mẫu radar trong tập huấn luyện: 6 heatmap đặc trưng + bản đồ nhãn.

Radar phát tín hiệu, nhận phản xạ từ vật thể trong môi trường, rồi suy ra hướng, khoảng cách và vận tốc — nền tảng của nhiều ứng dụng như xe tự lái. Khó khăn chính là nhiễu và phản xạ từ vật không phải mục tiêu. Nhiệm vụ của bạn là dùng AI phân tích tín hiệu radar và xác định tại mỗi pixel có vật thể hay không.

Đây là bài toán phân đoạn nhị phân trên lưới 50 × 181: mỗi pixel dự đoán nền hay vật thể.

Trong đó 50 là số range bins (khoảng cách), 181 là số angular bins (phủ góc từ \(-90^\circ\) đến \(+90^\circ\)).

Dữ liệu

Mỗi mẫu trong tập huấn luyện gốc là tensor (7, 50, 181): 6 kênh đầu là các heatmap radar, kênh thứ 7 là nhãn ground-truth.

• Index 0–1: static / dynamic range-azimuth heatmap
• Index 2–3: static / dynamic range-elevation heatmap
• Index 4–5: static / dynamic range-velocity heatmap
• Index 6: bản đồ nhãn (0 = nền, 1 = vật thể), ở dạng range-azimuth

Static nhấn mạnh phản xạ từ vật đứng yên, dynamic từ vật đang chuyển động. Các giá trị heatmap đã được chuẩn hoá, không cần đổi đơn vị.

Lưu ý: các tệp .pt đính kèm trên LQDOJ chỉ có 6 kênh đặc trưng (kênh nhãn đã bị loại bỏ để chấm kín), nên tensor nạp được có hình dạng (6, 50, 181).

Các tệp đính kèm:

• validation_features.zip — 500 tệp .pt của tập validation (chỉ đặc trưng). Dùng cùng val_answer.csv để tự đánh giá ở máy của bạn.
• val_answer.csv — nhãn thật của tập validation, đúng định dạng CSV mà bài nộp yêu cầu — vừa dùng chấm thử cục bộ, vừa làm mẫu file nộp.
• testing_features.zip — 500 tệp .pt của tập test (chỉ đặc trưng). Đây là phần bạn cần dự đoán và nộp.
• ioai25radarpre_baseline.ipynb — notebook baseline để bắt đầu.
• figures.zip — các hình minh họa trong đề gốc.

Tập huấn luyện (~1800 mẫu, ~821 MB) quá lớn để lưu trên LQDOJ; tải tại repo chính thức: https://github.com/IOAI-official/IOAI-2025/tree/main/At-Home-Round/Radar.

Bài nộp

Nộp một tệp .zip chứa đúng một tệp test_answer.csv, với:

• Dòng tiêu đề: filename, pixel_0, pixel_1, ..., pixel_9049 (tổng cộng 9050 = 50 × 181 cột pixel, cộng cột filename).
• Mỗi dòng tiếp theo tương ứng với một tệp .pt trong testing_features.zip. Cột filename là tên tệp .pt (giữ nguyên); các cột pixel là dự đoán nhị phân (0 hoặc 1) cho từng pixel của lưới 50 × 181, duyệt theo thứ tự hàng (pixel_k ứng pixel hàng k // 181, cột k % 181).

Cấu trúc CSV này trùng bài Radar vòng cá nhân, nên cùng pipeline xuất file có thể dùng lại.

Tiêu chí chấm

Điểm là độ chính xác pixel có trọng số, tính độc lập từng pixel:

• Mỗi pixel nền (0) dự đoán đúng được 1 điểm.
• Mỗi pixel vật thể (1) dự đoán đúng được 5000 điểm.
• Pixel dự đoán sai được 0 điểm.

Tổng điểm sau đó được chuẩn hoá bằng cách chia cho điểm tối đa lý thuyết (toàn bộ pixel đoán đúng), nên điểm cuối nằm trong \([0, 1]\).

Hệ số 5000 lớn hơn nhiều so với 1, nên một mô hình chỉ đoán toàn 0 sẽ ăn điểm rất thấp; ngược lại, đoán đúng các pixel có vật thể (vốn rất hiếm) sẽ kéo điểm lên đáng kể.

Nguồn đề gốc: https://github.com/IOAI-official/IOAI-2025/tree/main/At-Home-Round/Radar.