Week 26 - Entrenamiento de Expertos y Clasificador de Curvatura
Durante el proceso de desarrollo del sistema de conducción autónoma, se entrenaron dos expertos especializados: uno para carreteras rectas y otro para carreteras curvas. Además, se desarrolló un clasificador de curvatura basado en el modelo EfficientNet_B0, encargado de distinguir entre segmentos rectos y curvos, permitiendo que el modelo adecuado tome el control del vehículo.
Construcción de un Nuevo Dataset
Se decidió enriquecer el dataset incorporando situaciones de manejo que imiten condiciones en las que el vehículo pueda desviarse momentáneamente de su rumbo. Para esto, se implementó una interrupción del piloto automático por un segundo, durante el cual el vehículo adquiría un rumbo aleatorio (comportamiento errático). Luego, se retomaba el control para corregir la trayectoria del vehículo. Esta estrategia permitió capturar imágenes y etiquetas del auto en situaciones de pérdida y recuperación de rumbo, lo cual añadió mayor variabilidad al dataset y ayudó a enseñar al modelo cómo volver al rumbo correcto en carreteras rectas.
Detalles del Entrenamiento
Experto en Carreteras Rectas: Este modelo se entrenó utilizando 160,000 imágenes segmentadas, además de aplicar técnicas de data augmentation con Albumentations para aumentar la variabilidad y robustez del modelo.
Experto en Carreteras Curvas: Se utilizaron 120,000 imágenes segmentadas de curvas, también con aumentación de datos mediante Albumentations.
Problemas de Underfitting
El modelo mostró signos de subajuste (underfitting) durante el entrenamiento, especialmente el experto para carreteras rectas. En la simulación, no demostró capacidad para seguir el carril, desviándose demasiado rápido de su rumbo. Se realizaron múltiples pruebas con diferentes valores de learning rate y dropout, pero el problema de underfitting no disminuyó significativamente. A pesar de aumentar la variabilidad con técnicas de data augmentation y ajustar los hiperparámetros, el modelo continuaba prediciendo una misma etiqueta de manera constante, evidenciando dificultades para aprender de manera adecuada.
Enriquecimiento del Dataset y Próximos Pasos
A pesar de los esfuerzos de aumento y balanceo de las imágenes, el modelo continuaba mostrando signos de underfitting. Se ha decidido continuar con la ampliación del dataset para incluir un mayor número de imágenes y mejorar así la capacidad de generalización del modelo. La hipótesis es que la escasez de imágenes en ciertas situaciones puede estar limitando la capacidad del modelo para aprender patrones adecuados en diferentes condiciones
