Week 33 – Estabilización del pipeline DAgger para lane-following: recorte visual, alineación train/inference y evaluación en Town10HD

Trabajo realizado

• Se depuró y estabilizó el pipeline completo de recolección → entrenamiento → inferencia para lane-following con DAgger en CARLA, identificando problemas clave de distribution shift y desalineación entre entrenamiento e inferencia.
• Se diagnosticó que el principal fallo en curvas no provenía del modelo en sí, sino de:
  • exceso de información visual irrelevante (cielo, edificios, capó),
  • deformación por resize directo a 224×224,
  • inconsistencias entre el preprocesado usado en entrenamiento e inferencia.
• Se corrigieron estos problemas mediante una alineación estricta del preprocesado visual, tanto en entrenamiento como en ejecución en closed-loop.

---

Recorte visual y preprocesado (mejora clave)

• A partir de inspección directa de imágenes del dataset (1280×920), se definió un recorte fijo orientado a carretera:
  • eliminación de cielo/edificios superiores,
  • eliminación del capó del vehículo,
  • preservación del punto de fuga y marcas de carril.
• El recorte usado fue:
  • top = 300 px
  • bottom = 80 px
• Tras el recorte, se reemplazó el resize directo por:
  • Resize(256) manteniendo aspect ratio,
  • CenterCrop(224) para la entrada de MobileNetV2.
• Este mismo preprocesado se aplicó idénticamente en:
  • entrenamiento,
  • inferencia (model drive), evitando train–test mismatch.

---

Entrenamiento (resumen)

• Se entrenó MobileNetV2 con:
  • regresión directa de steer, throttle, brake,
  • activaciones tanh (steer) y sigmoid (throttle/brake),
  • pérdida MSE ponderada con énfasis en steer.
• El entrenamiento se realizó sin ruido, usando exclusivamente acciones del experto (expert_*), sobre el dataset previamente balanceado hacia curvas.
• El objetivo del entrenamiento se mantuvo en closed-loop stability, no en métricas offline.

---

Inferencia y control (closed-loop)

• Se desarrolló un script de conducción con:
  • carga explícita del modelo entrenado con recorte,
  • aplicación del mismo preprocesado visual del entrenamiento,
  • ejecución en Town10HD_Opt para evaluación estable.
• Se incorporaron mecanismos de control prácticos:
  • suavizado exponencial (EMA) del steer,

  • reducción automática de throttle en curvas (en función de

    steer

    ),

  • kickstart anti-stall a baja velocidad,
  • bloqueo de throttle y brake simultáneos.
• Se añadió soporte de autopilot conmutables en runtime para comparación directa entre política aprendida y control nativo de CARLA.

---