> ## Documentation Index
> Fetch the complete documentation index at: https://avala.ai/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Autonome Fahrzeuge

> Multi-Sensor AV-Daten visualisieren und annotieren — Kameras, LiDAR, Radar und MCAP-Aufnahmen

Autonome Fahrzeugteams produzieren die größten und komplexesten Sensordatensätze der Branche. Avala bietet eine einzige Plattform zum Visualisieren roher Multi-Sensor-Aufnahmen, Annotieren von Wahrnehmungs-Trainingsdaten und Durchführen von Qualitätskontrolle — ohne zwischen separaten Visualisierungs- und Labeling-Werkzeugen zu wechseln.

## Zuerst visualisieren

Bevor sie annotieren, müssen AV-Teams ihre Daten erkunden und verstehen. Der Multi-Sensor-Viewer von Avala verarbeitet den gesamten AV-Sensorstack:

<CardGroup cols={2}>
  <Card title="MCAP-Wiedergabe" icon="play">
    Laden Sie MCAP-Aufnahmen Ihrer Fahrzeugflotte hoch und spielen Sie alle Sensorstreams in einem synchronisierten Multi-Panel-Viewer mit 8 Paneltypen ab.
  </Card>

  <Card title="Rundumkamera + LiDAR" icon="camera-cctv">
    Betrachten Sie alle Rundumkameras neben LiDAR-Punktwolken mit automatischer kalibrierungsbewusster Projektion zur sensorübergreifenden Verifikation.
  </Card>

  <Card title="GPU-beschleunigtes 3D" icon="cube">
    Rendern Sie LiDAR-Punktwolken mit WebGPU-Beschleunigung und 6 Visualisierungsmodi: Neutral, Intensität, Regenbogen, Label, Panoptisch und Bildprojektion.
  </Card>

  <Card title="Zeitleisten-Navigation" icon="clock">
    Scrubben Sie durch Fahrtprotokolle, gehen Sie Bild für Bild durch und springen Sie zu bestimmten Zeitstempeln. Alle Panels bleiben über verschiedene Sensorraten hinweg synchronisiert.
  </Card>
</CardGroup>

Das bedeutet, Ihre Ingenieure können Avala für Datenüberprüfung und Debugging nutzen (als Ersatz für Foxglove oder Rerun), und Ihr Annotationsteam kann dieselben Daten in derselben Oberfläche labeln.

## Datentypen

| Sensor               | Avala-Datentyp                | Typische Annotation                                               |
| -------------------- | ----------------------------- | ----------------------------------------------------------------- |
| Front-/Rundumkameras | Bild, Video                   | 2D-Bounding Boxes, Spurpolylinien, Segmentierungsmasken           |
| LiDAR                | Punktwolke                    | 3D-Quader mit Richtung, Abmessungen und Tracking-IDs              |
| Radar                | MCAP (via Punktwolken-Panels) | 3D-Quader, Erkennungsmarker                                       |
| Multi-Sensor-Fusion  | MCAP                          | Synchronisierte Kamera + LiDAR-Annotation mit 3D-zu-2D-Projektion |

## Häufige Aufgaben

### 3D-Objekterkennung

Labeln Sie Fahrzeuge, Fußgänger, Radfahrer und statische Objekte mit 3D-Quadern in LiDAR-Punktwolken. Der 3D-Annotationseditor bietet Vogelperspektive, Perspektiv- und Seitenansichten für präzise Quaderplatzierung. Quader umfassen vollständige Position (x, y, z), Abmessungen (Länge, Breite, Höhe) und Richtung (Gierwinkel).

### Multi-Kamera-Projektion

Annotieren Sie 3D-Quader in der LiDAR-Ansicht und projizieren Sie diese automatisch auf Rundumkamerabilder zur visuellen Verifikation. Der Viewer unterstützt sowohl Pinhole- als auch Double-Sphere-Kameramodelle, sodass die Projektion mit Standard- und Fisheye-Objektiven funktioniert.

<Tip>
  Multi-Kamera-Projektion ist eine der effektivsten Methoden zur Überprüfung der 3D-Annotationsqualität. Tiefen- und Richtungsfehler, die in einer Draufsicht schwer zu erkennen sind, werden offensichtlich, wenn der Quader über das Kamerabild gelegt wird.
</Tip>

### Spur- und Straßenrandannotation

Verwenden Sie Polylinien-Werkzeuge, um Spurmarkierungen, Bordsteine und Straßenkanten in Kameraansichten nachzuzeichnen. Polylinien unterstützen verbundene Segmente mit Vertex-Bearbeitung und eignen sich für kurvige Spuren und komplexe Kreuzungen.

### Zeitliches Objekt-Tracking

Verfolgen Sie Objekte über Frames hinweg mit konsistenten IDs für Bewegungsvorhersage und Trajektorienprognosemodelle. Objekt-IDs bleiben über die Sequenzzeitleiste bestehen, und die Bild-für-Bild-Navigation des Viewers macht es einfach, die Tracking-Kontinuität zu verifizieren.

### Szenenklassifikation

Klassifizieren Sie Fahrbedingungen auf Szenenebene — Wetter (klar, regnerisch, neblig), Tageszeit (Tag, Dämmerung, Nacht), Straßentyp (Autobahn, städtisch, ländlich) und Verkehrsdichte. Klassifikationslabels gelten für das gesamte Bild und können mit Annotationen auf Objektebene kombiniert werden.

## Verwendete Avala-Funktionen

| Funktion                      | Zweck                                                                      | Mehr erfahren                                                  |
| ----------------------------- | -------------------------------------------------------------------------- | -------------------------------------------------------------- |
| MCAP / ROS-Integration        | Multi-Sensor-Aufnahmen Ihrer Fahrzeugflotte aufnehmen                      | [MCAP & ROS](/docs/visualization/mcap-ros/overview)                 |
| Multi-Sensor-Viewer           | Synchronisierte Wiedergabe von Kameras, LiDAR, Radar und IMU               | [Multi-Sensor-Viewer](/docs/visualization/multi-sensor-viewer)      |
| GPU-beschleunigte Punktwolken | LiDAR-Daten mit 6 Visualisierungsmodi inspizieren                          | [Visualisierungsübersicht](/docs/de/visualization/overview)         |
| 3D-Quader-Annotation          | Objekte in 3D mit Vogelperspektive, Perspektiv- und Seitenansichten labeln | [3D-Quader-Werkzeug](/docs/annotation/guides/tools/cuboid-3d)       |
| Objekt-Tracking               | Konsistente IDs über Frame-Sequenzen                                       | [Videoannotation](/docs/annotation/tutorials/video-annotation)      |
| Polylinien-Annotation         | Spuren, Bordsteine und Straßengrenzen nachzeichnen                         | [Polylinien-Werkzeug](/docs/annotation/guides/tools/polyline)       |
| Multi-Kamera-Projektion       | 3D-Annotationen auf Kamerabilder projizieren                               | [Multi-Kamera-Setup](/docs/visualization/guides/multi-camera-setup) |
| Batch-Auto-Labeling           | Annotationen mit Modellvorhersagen bootstrappen                            | [Batch Auto-Labeling](/docs/integrations/batch-auto-labeling)       |
| Qualitätskontrolle            | Mehrstufige Prüf-Workflows                                                 | [Qualitätskontrolle](/docs/annotation/guides/quality-control)       |
| Cloud-Speicher                | S3-Buckets für große Fahrdatensätze verbinden                              | [Cloud-Speicher](/docs/integrations/cloud-storage)                  |

## Beispiel-Pipeline

```
Rohe Sensordaten (MCAP-Aufnahmen der Fahrzeugflotte)
  -> Upload zu Avala via Cloud-Speicher-Integration (S3)
  -> Aufnahmen im Multi-Sensor-Viewer erkunden
  -> Kalibrierung mit LiDAR-zu-Kamera-Projektion verifizieren
  -> Annotationsprojekt mit 3D-Quader + Tracking-Aufgabentyp erstellen
  -> Annotatoren labeln 3D-Quader mit Tracking-IDs
  -> Nächsten Batch mit Modellvorhersagen auto-labeln (Batch Auto-Labeling)
  -> QC-Review mit mehrstufigem Workflow
  -> Export in KITTI-, COCO- oder benutzerdefiniertem Format
  -> Wahrnehmungsmodell trainieren
  -> Modellvorhersagen für nächste Runde des Auto-Labelings verwenden
```

## Erste Schritte

<Steps>
  <Step title="Ihre Fahrdaten hochladen">
    Erstellen Sie einen Datensatz mit dem Datentyp `mcap` und laden Sie MCAP-Aufnahmen Ihrer Flotte hoch. Für große Datensätze verwenden Sie die [Cloud-Speicher-Integration](/docs/integrations/cloud-storage), um Ihren S3-Bucket direkt zu verbinden.
  </Step>

  <Step title="Im Viewer erkunden">
    Öffnen Sie eine Aufnahme im Multi-Sensor-Viewer. Verifizieren Sie, dass Kamera-, LiDAR- und Transformationsdaten vorhanden sind. Prüfen Sie die Kalibrierung durch Aktivierung der LiDAR-zu-Kamera-Projektion.
  </Step>

  <Step title="Annotationsprojekt einrichten">
    Erstellen Sie ein Projekt mit 3D-Quader-Annotation, definieren Sie Ihre Label-Taxonomie (Fahrzeug, Fußgänger, Radfahrer usw.) und konfigurieren Sie die Qualitätskontrolleinstellungen.
  </Step>

  <Step title="Annotieren und prüfen">
    Ihr Team annotiert 3D-Quader mit Tracking-IDs. Reviewer verifizieren Annotationen mit Multi-Kamera-Projektion, um Tiefen- und Richtungsfehler zu erkennen.
  </Step>

  <Step title="Exportieren und trainieren">
    Exportieren Sie gelabelte Daten in Ihrem bevorzugten Format. Verwenden Sie das Python oder TypeScript SDK, um Exporte in Ihre Trainingspipeline zu integrieren.
  </Step>
</Steps>

## Nächste Schritte

<CardGroup cols={2}>
  <Card title="MCAP & ROS" icon="robot" href="/docs/visualization/mcap-ros/overview">
    Detaillierter Guide zur Vorbereitung und zum Upload von Multi-Sensor-Aufnahmen.
  </Card>

  <Card title="3D-Quader-Werkzeug" icon="cube" href="/docs/annotation/guides/tools/cuboid-3d">
    Wie Sie 3D-Quader im Punktwolkeneditor platzieren, anpassen und tracken.
  </Card>

  <Card title="Best Practices für Aufnahmen" icon="circle-check" href="/docs/visualization/guides/recording-best-practices">
    Tipps für die Aufnahme von Daten, die gut visualisiert und annotiert werden können.
  </Card>

  <Card title="Qualitätskontrolle" icon="shield-check" href="/docs/annotation/guides/quality-control">
    Mehrstufige Prüf-Workflows für Produktionsannotation einrichten.
  </Card>
</CardGroup>