Week 5 - Pruebas del Piloto Automático Seguidor de Carril
Pruebas del Piloto Automático Seguidor de Carril
Para evaluar el desempeño del modelo entrenado, se implementó un piloto dummy en ROS 2 Humble. Este piloto utiliza el paquete ros_bridge para establecer la comunicación con el simulador CARLA. Durante las pruebas, se diseñó un nodo que se suscribe y publica a los temas “/carla/ego_vehicle/rgb_front/image” y “/carla/ego_vehicle/vehicle_control_cmd_manual”.
La imagen obtenida del tema suscrito se procesa y ajusta para que coincida con los parámetros de entrada del modelo entrenado. El valor del ángulo de giro se extrae de la predicción del modelo y se transmite como un mensaje de control al nodo publicador.
Videos de Prueba
En el primer video, se observa cómo la predicción permite que el vehículo navegue de forma autónoma, siguiendo correctamente el carril y superando curvas. Sin embargo, al llegar a un cruce y encontrar un andén amplio, el vehículo no logra diferenciarlo de la calle, resultando en una colisión con el edificio.
Video 1.
En los videos 2 y 4, el vehículo parece confundirse con el andén, intentando subirse a él. Finalmente, choca con un edificio al final de la calle, ya que no logra percibir si debe girar a la izquierda o derecha a tiempo. Parece que detecta el andén solo cuando está muy cerca.
Videos 2 y 4.
Al final del video 3, el vehículo muestra indecisión al llegar a un cruce. La falta de la línea separadora de carril parece confundir al vehículo, que no sabe si girar o seguir recto. Esto resulta en una confusión del andén con la calle y una colisión con los postes de iluminación.
Video 3.
Es importante destacar que estas pruebas se realizaron sin tráfico ni peatones, y el modelo entrenado no tiene en cuenta la señalización ni los semáforos. Para mejorar el rendimiento del piloto entrenado, se decidió ampliar los grados de libertad incorporando la velocidad y el frenado al modelo. Durante la simulación, se observó cómo la velocidad afecta las decisiones del vehículo, identificando 0.25 como la velocidad más adecuada. También se identificaron áreas de mejora, como la estrategia de aumento de datos para diferenciar mejor el carril del andén, especialmente en intersecciones donde la falta de demarcación de carriles dificulta la predicción adecuada del modelo.