Carlos Velásquez

Doctoral thesis blog

1 minute read

Métrica Monolítico MoE / Expertos
completed_distance (m) ↑ 753.215 758.858
effective_completed_distance (m) ↑ 307.0 216.0
average_speed (m/s) ↑ 50.180 51.754
max_speed (m/s) 71.831 76.919
min_speed (m/s) → 0 mejor -6.51e-08 -5.91e-08
suddenness_distance_speed (Σdist) ↓ 0.2679 0.5268
suddenness_distance_control_commands (Σdist) ↓ 0.1197 0.1596
suddenness_distance_throttle (Σdist) ↓ 0.0970 0.1489
suddenness_distance_steer (Σdist) ↓ 0.0492 0.0260
suddenness_distance_brake_command (Σdist) ↓ 0.0 0.0
collisions ↓ 0 0
lane_invasions ↓ 0 0
experiment_total_simulated_time (s) ↓ 54 53
experiment_total_real_time (s) ↓ 112.710 112.885
position_deviation_mean (m) ↓ 0.882 1.083
position_deviation_mean_per_km (m/km) ↓ 2.874 5.013
suddenness_control_per_km ↓ 0.390 0.739
suddenness_throttle_per_km ↓ 0.316 0.689
suddenness_steer_per_km ↓ 0.160 0.121
suddenness_speed_per_km ↓ 0.873 2.439

Actualización del script de entrenamiento

Se optimizó el proceso de entrenamiento del modelo EfficientNet V2-S mejorando tanto la velocidad como la consistencia entre fases.

Cambios principales:

  • Nuevo recorte fijo de la calzada (top_ratio=0.4), eliminando zonas irrelevantes.

  • Normalización unificada (x/255 – 0.5)/0.5 para mantener coherencia entre train, test y piloto automático.

  • Uso de mixed precision (AMP), reduciendo a la mitad el tiempo de entrenamiento y el consumo de memoria.

  • Carga de datos optimizada con pin_memory y prefetch_factor.

Resultado: Entrenamiento 2× más rápido, menor uso de GPU y datos mejor normalizados para una conducción más estable en CARLA.

Adaptación de manual_control.py

El script original de CARLA fue modificado para convertirlo en una herramienta de recolección de datos y control manual más precisa:

  • Se integró la captura automática de imágenes RGB y segmentadas, junto con la grabación sincronizada de los valores de control (steer, throttle, brake).

  • Se mejoró la respuesta del joystick, ajustando la sensibilidad e implementando filtros suaves y zonas muertas para eliminar vibraciones y movimientos abruptos del timón. De esta forma, los comandos del piloto humano se registran con mayor precisión, produciendo trayectorias más naturales y datos más útiles para el entrenamiento.

El nuevo manual_control.py combina una experiencia de conducción manual más fluida con un sistema de registro de datos robusto, mejorando significativamente la calidad del dataset y la estabilidad del modelo.

Modelo Steer MSE ↓ Steer MAE ↓ Throttle MSE ↓ Throttle MAE ↓
DAgger agresivo (anterior) 0.3391 0.2049 0.3997 0.3301
DAgger suave 0.2910 0.1995 0.4920 0.4778
Control manual (sin DAgger) 0.0854 0.1650 0.2146 0.3936
Nuevo train — DAgger agresivo 0.4076 0.2932 0.3803 0.2906

You may also enjoy