Ingeniero en Robótica e investigador doctoral. Desarrollando una Red Neuronal Universal para vehículos autónomos mediante visión homográfica (BEV) y aprendizaje End-to-End.
comandos de control de bajo nivel (steer, throttle, brake),
información temporal consistente entre percepción y control.
Se corrigió la lectura y el cálculo de la velocidad del vehículo:
proyección explícita de la velocidad global sobre el eje longitudinal del vehículo,
eliminación de errores previos asociados al uso directo de magnitudes globales,
verificación en tiempo real mediante scripts de monitoreo.
Se instaló y configuró Behavior Metrics como base para la evaluación objetiva del comportamiento de conducción, preparando el entorno para medir estabilidad, suavidad y seguridad.
Se validó visualmente el movimiento del vehículo y la coherencia del dataset tanto en simulación en vivo como en reproducción (replay).
Estado actual del sistema
Avances consolidados
Dataset humano de gran escala (~36k muestras) con controles de velocidad corregidos y consistentes.
Pipeline de grabación robusto, capaz de operar tanto en simulación en vivo como en modo replay.
Corrección definitiva del cálculo de velocidad longitudinal (v), alineada con el modelo cinemático utilizado.
Instalación y disponibilidad de Behavior Metrics para evaluación sistemática del comportamiento.
Mejor comprensión y control del modo síncrono/asíncrono de CARLA durante grabación y replay.
Próximos pasos
Integrar el nuevo dataset humano en el pipeline de entrenamiento de imitation learning.
Integrar Dagger en un nuevo dataset
Definir y calcular métricas clave usando Behavior Metrics (estabilidad lateral, suavidad, desviación de carril, jerk).
Realizar primeras evaluaciones cuantitativas del comportamiento del controlador intermedio.
Week 62 – Homologación del Vehículo Lincoln MKZ 2020 en Bench2Drive (788.5 m con 0 Colisiones), Generación del Dataset Multi-Mapa BEV Nativa con Waypoints (1...