1 minuto(s) de lectura

Week 52 – Integración de Modelo PyTorch Personalizado y Despliegue en CARLA con Behavior Metrics

Trabajo realizado

  • Adaptación Arquitectónica del Modelo (PilotNet): Se integró exitosamente la red neuronal convolucional entrenada a medida dentro de la suite Behavior Metrics. Se sustituyó la arquitectura base en el script de inferencia (brain_pilotnet.py) para alinearla con los pesos generados, configurando la red para entregar una salida única dedicada al control de dirección (steering).
  • Ajuste del Pipeline de Preprocesamiento de Imagen: Para garantizar la compatibilidad tensorial y evitar colapsos en PyTorch durante la inferencia, se replicó exactamente el preprocesamiento utilizado en la fase de entrenamiento. Se implementó un recorte de imagen (Y: 250 a 500) para eliminar elementos innecesarios como el cielo y el capó del vehículo, seguido de un redimensionamiento al estándar de 200x66 píxeles.
  • Resolución de Dependencias y Políticas de Control: Se solucionaron conflictos en el entorno virtual asociados a las librerías gráficas y de comunicación (realizando un downgrade a NumPy 1.x para habilitar la compatibilidad de cv_bridge con ROS 2 Humble). A nivel algorítmico, se intervino la política de control para desempaquetar correctamente las predicciones de la red, asignando un valor de aceleración constante (35% de potencia) para mantener la tracción mientras la IA controla el volante.
  • Configuración y Despliegue en Entorno de Alta Velocidad (Town04): Se modificaron las jerarquías de configuración en eval_pilotnet.yml para migrar las pruebas al mapa Town04 (circuito de autopista). Se desactivó temporalmente la métrica de ruta ideal forzada (UseTargetRoute: False), solucionando los errores de spawn (apariciones fuera del mapa) y permitiendo al simulador asignar coordenadas seguras dinámicamente para iniciar la evaluación de conducción autónoma en tiempo real.

Visualizaciones

Interfaz gráfica de Behavior Metrics conectada al modelo PilotNet
Ejecución estable de la suite Behavior Metrics. El sistema reconoce la configuración del entorno (eval_pilotnet.yml) y ha cargado exitosamente los pesos del modelo PyTorch personalizado en el cerebro (brain_pilotnet), listo para iniciar la inferencia y controlar el vehículo en CARLA.