by Felipe Codevilla
本项目可以方便地对模拟学习网络的培训进行训练和管理,并结合CARLA模拟器进行评估。目的是:
Github项目链接:
https://github.com/felipecode/coiltraine
COiLTRAiNE框架允许同时进行训练,在CARLA中的场景中驾驶和对一些静态数据集的控制进行预测。 该过程可以同时在几个实验中完成。
为了安装COiLTRAiNE,我们提供了一个conda环境需求文件。首先在一些文件夹中克隆项目仓库,然后只需运行以下命令即可安装:
conda env create -f requirements.yaml
首先你需要定义数据集文件夹。 这个文件夹将会包含训练和验证数据集。
export COIL_DATASET_PATH=<Path to where your dataset folders are>
通过运行下列命令,下载一个示例数据集包,其中包含一个训练包和两个验证包:
python3 tools/get_sample_datasets.py
数据集、CoILTrain、CoILVal1和CoILVal2 将存储在 COIL_DATASET_PATH 文件夹中。
要收集其他数据集,请查看数据收集器项目:https://github.com/carla-simulator/data-collector
注意:自动场景评估只适用于CARLA 0.8。你可以 训练和评估 CARLA 0.9.X 中的代理
如果要在CARLA中进行方案评估,必须在docker下安装CARLA 0.8.4或CARLA 0.8.2。本教程将会介绍如何在docker下安装CARLA。
假设你的CARLA docker的docker图像名称为“carlasim/carla:version”,则可以通过运行以下命令来执行coiltraine系统:
python3 coiltraine.py --folder sample --gpus 0 -de TestT1_Town01 -vd CoILVal1 --docker carlasim/carla:version
其中 --folder 样本是包含所有将要训练和验证的实验的实验批次。TestT1是Town01上的驱动方案,定义为 drive/suites 文件夹中的一个类。 验证数据集作为参数与 -vd 一起传递,并且应该放在 COIL_DATASET_PATH 文件夹中。
你应该能在终端上看到彩色屏幕:
完成训练和验证后,终端屏幕应该会开始如下所示:
由于在Docker下运行的CARLA是在屏幕外运行的,因此你不会看到任何CARLA服务器在屏幕中弹出通知。另外需要注意的是,这里的示例是在样本数据上进行训练,并且在样本的基准上进行测试,因此产生的驾驶模型质量会很差。建议测试条件模型动物园中的一些模型,以获得高性能的条件模仿模型。