Perzeption
Bereiten Sie Ground Truth aus Kamera- und Punktwolkendaten für Objekterkennung, Segmentierung und Tracking vor.
Unabhängige Infrastruktur für Automotive
Machen Sie aus jeder Fahrt bessere Modelldaten.
Avala verbindet synchronisierte Kamera-, LiDAR-, Radar- und IMU-Daten mit Kuratierung, menschlicher und KI-gestützter Prüfung, Qualitätskontrolle und versionierten Releases – damit Autonomieteams Straßenereignisse mit intakter Herkunft in Trainingsdaten verwandeln.
Ein Betriebsnachweis von der Quellsitzung bis zum Dataset-Release.
Autonomie-Dataset-Pipeline
Ströme ausgerichtetSzenario-Ausschnitt
urban-night / construction- Kamera
- LiDAR
- Radar
- IMU & Telemetrie
Zeitstempel und Quellherkunft bleiben erhalten
- 01
Synchronisierte Sitzungen ingestieren
- 02
Relevante Szenarien kuratieren
- 03
Belastbare Ground Truth erstellen
- 04
Versioniertes Release veröffentlichen
Kamera
LiDAR
Radar
IMU & Telemetrie
Ein Betriebszyklus
Das Straßenereignis ist erst der Anfang.
Ersetzen Sie fragmentierte Übergaben durch einen nachvollziehbaren Weg von der multimodalen Erfassung bis zum nächsten Dataset-Release.
- 01
Synchronisierte Sitzungen ingestieren
Führen Sie MCAP, Video, Punktwolken und Telemetrie in synchronisierten Sitzungen zusammen, ohne den Quellkontext zu verlieren.
- 02
Relevante Szenarien kuratieren
Durchsuchen und schneiden Sie Sitzungen nach Grenzfällen, Umgebungen und Verhaltensweisen für den nächsten Trainingszyklus.
- 03
Belastbare Ground Truth erstellen
Kombinieren Sie Modellunterstützung mit menschlicher 2D-, 3D- und 4D-Prüfung und wenden Sie die Qualitäts-Gates jedes Releases an.
- 04
Versioniertes Release veröffentlichen
Fixieren Sie Manifestinhalt und Quellursprünge, fügen Sie deklarierte Rechtemetadaten an und veröffentlichen Sie eine unveränderliche Revision, die der Loader für nachgelagertes Training und Evaluation auflöst.
Dauerhafte Dataset-Identität
Ein Release, das Ihr Autonomie-Stack reproduzieren kann.
Behandeln Sie jeden Trainingssatz als kontrolliertes Artefakt statt als einmaligen Ordner. Avala veröffentlicht ein unveränderliches Manifest, eine auflösbare Revision, Quellursprünge und deklarierte Rechtemetadaten.
- Lesbare Dataset-Referenz plus unveränderliche kanonische Revision
- Manifest-Hash, Objektanzahl, Gesamtgröße und Quellursprünge
- Deklariertes Rechtedokument und Zugriffsbedingungen an der Revision
- Veröffentlichungsstatus und Revisionsidentität über den Loader
Dataset-Release-Manifest
Versioniert- Dataset
- autonomy/urban-night
- Release
- v24
- Ursprungsdatensätze
- primary / avala · calibration / avala
- Deklarierte Rechte
- Angefügt
- Revisionsstatus
- Veröffentlicht
autonomy/urban-night@v24Für Automotive-KI gebaut
Ein Datensystem für das gesamte Autonomieprogramm.
Halten Sie Perzeption, Sensorfusion, Innenraum und Kartierung unter derselben Dataset-Identität und Release-Disziplin.
Sensorfusion
Bewahren Sie Zeitstempel- und Kalibrierungskontext, während Teams dasselbe Ereignis über alle Sensorströme prüfen.
Innenraum-Intelligenz
Organisieren Sie Bild- und Telemetriedaten für Modelle zum Insassen- und Fahrerzustand mit klaren Prüfkriterien.
Kartierung & Lokalisierung
Kuratieren Sie räumliche Daten für Kartierung, Lokalisierung, Straßenverständnis und Änderungserkennung.
Mit einem realen Programm starten
Planen Sie Ihren anspruchsvollsten Automotive-Datenkreislauf.
Bringen Sie einen Datenfluss, ein Release-Gate und den anzubindenden Stack mit. Wir zeigen, wie Avala ihn ohne Verlust der Datenherkunft operationalisiert.