Fehler-Ingest

Der Kreislauf beginnt mit dem, was Ihre Roboter tatsächlich tun. Sie senden Rollouts, einschließlich der Fehler und der Eingriffe. Avala liest sie, findet die Muster und sagt Ihnen, welche Daten fehlen.

Formate

Format	Wie es ankommt
MCAP	Upload als Flottenaufnahme oder `avala import folder --data-type mcap`
ROS-Bags (`.bag`, `.db3`)	`avala import rosbag` oder Konvertierung in MCAP und Upload als Flottenaufnahme
LeRobot-Datensätze	`avala import lerobot` vom Hugging Face Hub oder aus einem lokalen Verzeichnis
Video mit Logs	Video über `avala import folder --data-type video`. Avala gleicht die Logs als Teil des Programms mit dem Video ab.
Inspect-Robots-Evaluations-Logs	`avala import inspect-robots`. Siehe den Abschnitt Evaluations-Logs importieren unten.

MCAP behält jedes Topic und liefert daher das vollständigste Bild. Der ROS-Bag-Importer konvertiert Kamera-Topics (sensor_msgs/Image und sensor_msgs/CompressedImage) und übernimmt Gelenkzustände sowie andere numerische oder Text-Topics. Punktwolken und andere binäre Nutzdaten werden übersprungen. Senden Sie MCAP, wenn jedes Topic erhalten bleiben soll.

Rollouts als Flottenaufnahmen senden

Jeder Upload geht in eine bestehende Flottenaufnahme. Avala stellt Aufnahmen für Ihre registrierten Geräte bereit, wenn das Programm startet. Listen Sie sie auf, um die UID der Aufnahme zu finden.

from avala import Client

client = Client()  # reads AVALA_API_KEY

page = client.fleet.recordings.list(device_id="<device-uid>", limit=20)
for recording in page:
    print(recording.uid, recording.status, recording.started_at)

# Upload a local directory of rollout files into one recording.
session = client.fleet.uploads.upload_recording(
    "<recording-uid>",
    "./rollouts/2026-09-29",
)
print(session.uid, session.status)

# Preview what will be uploaded
avala fleet recordings upload \
  --source ./rollouts/2026-09-29 \
  --recording <recording-uid> \
  --dry-run

# Upload and wait for server-side processing
avala fleet recordings upload \
  --source ./rollouts/2026-09-29 \
  --recording <recording-uid> \
  --wait

upload_recording setzt einen unterbrochenen Upload derselben Quelle fort. Ein abgeschlossener Aufruf bedeutet, dass die Verarbeitung in der Warteschlange steht. Prüfen Sie client.fleet.recordings.get(uid).status, bis der Wert ready lautet.

Fehler und Eingriffe als Events markieren

Flotten-Events versehen einen Moment in einer Aufnahme mit einem Label. Markieren Sie jeden Fehler und jeden Eingriff, damit Avala ihn schnell findet. Verwenden Sie type für die Event-Klasse und metadata für alles, was Ihr Stack protokolliert, etwa die Modellversion und die Aufgabe.

from avala import Client

client = Client()

event = client.fleet.events.create(
    recording="<recording-uid>",
    device="<device-uid>",
    type="anomaly",
    label="Plate slipped during placement",
    timestamp="2026-09-29T14:03:12Z",
    severity="warning",
    duration_ms=1800,
    tags=["failure", "regrasp"],
    metadata={"model_version": "your-policy@2026-09-20", "task": "load_dishwasher"},
)
print(event.uid)

# Many events at once
created = client.fleet.events.create_batch(
    events=[
        {
            "recording": "<recording-uid>",
            "device": "<device-uid>",
            "type": "state_change",
            "label": "Operator took over",
            "timestamp": "2026-09-29T14:03:15Z",
            "tags": ["intervention"],
        },
    ]
)
print(created)

import Avala from "@avala-ai/sdk";

const avala = new Avala(); // reads AVALA_API_KEY

const event = await avala.fleet.events.create({
  recording: "<recording-uid>",
  device: "<device-uid>",
  type: "anomaly",
  label: "Plate slipped during placement",
  timestamp: "2026-09-29T14:03:12Z",
  severity: "warning",
  durationMs: 1800,
  tags: ["failure", "regrasp"],
  metadata: { model_version: "your-policy@2026-09-20", task: "load_dishwasher" },
});
console.log(event.uid);

avala fleet events create \
  --recording <recording-uid> \
  --device <device-uid> \
  --type anomaly \
  --label "Plate slipped during placement" \
  --timestamp 2026-09-29T14:03:12Z \
  --severity warning

Event-type ist einer von error, warning, info, state_change, anomaly oder custom. severity ist einer von info, warning, error oder critical. Sie können Events auch automatisch mit Aufnahmeregeln erstellen.

ROS-Bags und LeRobot-Datensätze importieren

Wenn Rollouts außerhalb der Flotte liegen, importieren Sie sie als Datensatz. Installieren Sie zuerst das Extra für das Format.

pip install "avala[rosbag]"
avala import rosbag ./rollout_0412.bag --name "Rollouts 0412" --slug rollouts-0412 --wait

pip install "avala[lerobot]"
avala import lerobot --repo-id your-hf-user/your-rollouts --name "Rollouts" --slug rollouts --wait

Der LeRobot-Importer ist unter Exporte ausführlich beschrieben.

Evaluations-Logs importieren

Wenn Sie Ihre Policy mit Inspect Robots evaluieren, einem Open-Source-Evaluationswerkzeug, importieren Sie dessen JSON-Eval-Log. Jeder Versuch, also eine Szene in einer Epoche, labelt eine Sequenz mit einem Ergebnis-Label. Fehlgeschlagene Versuche werden zu Sequenzen, die Sie filtern, prüfen und in Erhebungsarbeit umsetzen können.

pip install "avala[inspect]"

# Preview the trial-to-outcome mapping. Reads the log only.
avala import inspect-robots logs/load-dishwasher_1a2b3c4d.json --dataset your-org/dishwasher-eval --dry-run

# Label the sequences that already exist in the dataset, one per trial
avala import inspect-robots logs/load-dishwasher_1a2b3c4d.json --dataset your-org/dishwasher-eval

# Or create the dataset from each trial's recorded actions, plus camera frames if the run stored them
avala import inspect-robots logs/load-dishwasher_1a2b3c4d.json --dataset your-org/dishwasher-eval --create

Inspect-Robots-Versuch	Ergebnis
Erfolgswert bei oder über `--success-threshold`, Bewertungswert bei oder über `--expert-threshold`	`expert_success`
Erfolgswert bei oder über `--success-threshold`, Bewertungswert unter `--expert-threshold`	`partial_success`
Erfolgswert unter `--success-threshold`	`failure`
Versuch mit Fehler beendet oder abgebrochen	`aborted`
Erfolgs-Scorer lieferte keinen Wert	Kein Label

Jedes importierte Label hat source auf imported, evaluation_membership auf held_out_eval und autonomy_level auf autonomous gesetzt. model_version ist die Policy des Durchlaufs. Die Aufgabe des Durchlaufs wird zu einer Teilaufgabe, die den ganzen Versuch umfasst. Labels, die eine Person oder ein Modell geschrieben hat, bleiben erhalten, sofern Sie nicht --overwrite übergeben. Die vollständige Optionsliste steht in der CLI-Referenz.

Aufnahmen und Events mit dem MCP-Server prüfen

Der MCP-Server liest Flottendaten. Fragen Sie Ihren Assistenten nach aktuellen Fehlern, oder rufen Sie die Tools direkt auf:

fleet_list_recordings und fleet_get_recording für Aufnahmen
fleet_list_events, gefiltert nach recording, device, type oder severity
get_fleet_health für eine flottenweite Zusammenfassung

Uploads und das Erstellen von Events laufen über das SDK oder die CLI. Siehe Avala mit KI nutzen für die Verbindung.

Was Avala mit den Rollouts macht

Die folgenden Schritte sind ein Service, den Avala als Teil des Programms erbringt. Dafür gibt es keine API, die Sie aufrufen.

Segmentierung. Avala teilt jeden Rollout an Zustandswechseln in Sequenzen und Teilaufgaben auf. Ihre Events verankern die Fehlermomente.
Labeling. Jede Sequenz erhält beide Achsen ihrer Sequenz-Metadaten: eine Prüfung der technischen Gültigkeit und ein Ergebnis-Label.
Clustering. Avala gruppiert Fehler danach, was schiefging und unter welchen Bedingungen. Die Cluster werden einer versionierten Fehlertaxonomie für Ihr Programm zugeordnet. Neue Cluster erweitern die Taxonomie.
Lückenanalyse. Avala vergleicht die Fehlercluster mit der Abdeckung Ihrer bestehenden Trainingsdaten und den Evaluationskohorten.

Der Lückenbericht

Avala liefert für jeden Batch von Rollouts einen Lückenbericht.

Abschnitt	Inhalt
Umfang	Aufnahmen, Zeitraum, Modellversionen und Version der Taxonomie.
Fehlertaxonomie	Jeder Fehlermodus, seine Definition und Beispielsequenzen.
Verteilung	Fehleranzahl und -raten pro Modus, pro Modellversion und pro Abdeckungszelle.
Fehlende Abdeckung	Die Abdeckungszellen hinter jedem Fehlermodus, die Ihren Trainingsdaten fehlen oder dort zu dünn besetzt sind.
Vorgeschlagene Experimente	Ein Entwurf eines Fähigkeitsexperiments pro priorisierter Fehlerbedingung, mit einer Hypothese und Zielzellen.

Sie prüfen den Lückenbericht und wählen die Prioritäten. Die genehmigten Experimente werden zum nächsten Erhebungsbriefing.

Erste Schritte

Fleet Learning

Plattform

Anwendungsfälle

Formate

Rollouts als Flottenaufnahmen senden

Fehler und Eingriffe als Events markieren

ROS-Bags und LeRobot-Datensätze importieren

Evaluations-Logs importieren

Aufnahmen und Events mit dem MCP-Server prüfen

Was Avala mit den Rollouts macht

Der Lückenbericht

​Formate

​Rollouts als Flottenaufnahmen senden

​Fehler und Eingriffe als Events markieren

​ROS-Bags und LeRobot-Datensätze importieren

​Evaluations-Logs importieren

​Aufnahmen und Events mit dem MCP-Server prüfen

​Was Avala mit den Rollouts macht

​Der Lückenbericht

Formate

Rollouts als Flottenaufnahmen senden

Fehler und Eingriffe als Events markieren

ROS-Bags und LeRobot-Datensätze importieren

Evaluations-Logs importieren

Aufnahmen und Events mit dem MCP-Server prüfen

Was Avala mit den Rollouts macht

Der Lückenbericht