> ## 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.

# Physical AI & Spatial Computing

> Trainingsdatensätze für Embodied AI, digitale Zwillinge und Spatial Computing Anwendungen erstellen

Physical AI Systeme — Embodied Agents, digitale Zwillinge, Spatial Computing Anwendungen und Sim-to-Real-Transfer-Pipelines — erfordern Trainingsdaten, die die 3D-Struktur realer Umgebungen erfassen. Avala bietet die Visualisierungs- und Annotationswerkzeuge, die diese Teams benötigen: Gaussian Splat Szenen-Rendering, GPU-beschleunigte Punktwolken-Visualisierung, Multi-Sensor MCAP-Wiedergabe und 3D-Annotationswerkzeuge, die direkt auf räumlichen Daten arbeiten.

## Warum Avala für Physical AI

Traditionelle Annotationsplattformen sind für 2D-Bilder gebaut. Physical AI Teams müssen mit 3D-Szenen, Punktwolken, Multi-Sensor-Aufnahmen und räumlichen Rekonstruktionen arbeiten. Avala verarbeitet all diese nativ.

<CardGroup cols={2}>
  <Card title="Gaussian Splat Viewer" icon="circle-nodes">
    Laden Sie 3D Gaussian Splat Szenenrekonstruktionen in einen WebGPU-gerenderten Viewer mit Szenenhierarchie, Eigenschafteninspektor und Echtzeitstatistiken. Navigieren und annotieren Sie direkt in der rekonstruierten 3D-Umgebung.
  </Card>

  <Card title="Punktwolken-Visualisierung" icon="cube">
    GPU-beschleunigtes Punktwolken-Rendering mit 6 Visualisierungsmodi. Inspizieren Sie räumliche Struktur, Dichte und Sensorabdeckung mit Neutral-, Intensitäts-, Regenbogen-, Label-, Panoptisch- und Bildprojektions-Ansichten.
  </Card>

  <Card title="Multi-Sensor MCAP-Wiedergabe" icon="play">
    Spielen Sie aufgezeichnete Sensordaten von Embodied AI Systemen ab — Kameras, Tiefensensoren, LiDAR, IMU — in einem synchronisierten Multi-Panel-Viewer.
  </Card>

  <Card title="3D-Annotationswerkzeuge" icon="pen-to-square">
    Annotieren Sie 3D-Quader, Klassifikationslabels und Objektattribute direkt auf Punktwolken und Gaussian Splat Szenen, ohne das Werkzeug zu wechseln.
  </Card>
</CardGroup>

## Datentypen

| Anwendung                | Avala-Datentyp         | Typische Annotation                  |
| ------------------------ | ---------------------- | ------------------------------------ |
| Szenenrekonstruktion     | Splat (Gaussian Splat) | 3D-Quader, Klassifikation            |
| Räumliche Kartierung     | Punktwolke             | 3D-Quader, Segmentierung             |
| Embodied Agent-Aufnahmen | MCAP                   | Multi-Sensor-Annotation mit Tracking |
| Navigationstraining      | Punktwolke, MCAP       | 3D-Quader, Polylinien                |
| Objekterkennung          | Bild, Punktwolke       | Bounding Boxes, 3D-Quader            |
| Digitale Zwillinge       | Splat, Punktwolke      | Klassifikation, Objektattribute      |

## Anwendungsfälle

### Szenenverständnis für Embodied AI

Embodied AI Agents müssen die 3D-Struktur ihrer Umgebung verstehen: wo sich Objekte befinden, welche Oberflächen befahrbar sind und wie der Raum organisiert ist. Die Punktwolken- und Gaussian Splat Viewer von Avala ermöglichen es Ihnen, erfasste Umgebungen zu visualisieren und dann Objekte, Regionen und räumliche Beziehungen zu annotieren, die Szenenverständnismodelle trainieren.

**Workflow:** Umgebung mit LiDAR oder Tiefenkameras erfassen -> Punktwolke oder Gaussian Splat Rekonstruktion hochladen -> im 3D-Viewer visualisieren und inspizieren -> Objekte mit 3D-Quadern und Klassifikationslabels annotieren -> für Modelltraining exportieren.

### 3D-Objekterkennung

Trainieren Sie Modelle zur Erkennung von Objekten im 3D-Raum mit annotierten Punktwolken und Szenenrekonstruktionen. Das 3D-Quader-Werkzeug ermöglicht Annotatoren, präzise Begrenzungsvolumen um Objekte mit voller Kontrolle über Position, Abmessungen und Richtung zu platzieren. Klassifikationsattribute fügen jedem Objekt Kategorie-, Material- und Zustandsmetadaten hinzu.

### Sim-to-Real-Transfer

Teams, die Simulationsumgebungen erstellen, benötigen gelabelte reale Daten, um ihre Simulationen zu validieren und zu kalibrieren. Avala übernimmt die Realwelt-Seite der Pipeline:

<Steps>
  <Step title="Reale Daten erfassen">
    Zeichnen Sie Multi-Sensor-Daten aus der Zielumgebung mit Ihrem Roboter oder Sensor-Rig auf. Verwenden Sie das MCAP-Format für Multi-Sensor-Aufnahmen oder PCD/PLY für eigenständige Punktwolken.
  </Step>

  <Step title="Rekonstruieren und visualisieren">
    Laden Sie Gaussian Splat Rekonstruktionen oder rohe Punktwolken hoch. Erkunden Sie die Daten in den 3D-Viewern von Avala, um die Szenenstruktur zu verstehen.
  </Step>

  <Step title="Ground Truth annotieren">
    Labeln Sie Objekte, Regionen und räumliche Beziehungen, die Ihre Simulation präzise replizieren muss.
  </Step>

  <Step title="Für Simulationsabgleich exportieren">
    Exportieren Sie Annotationen mit präzisen 3D-Koordinaten. Verwenden Sie diese als Ground Truth, um Ihre Simulationsparameter zu validieren und abzustimmen.
  </Step>
</Steps>

### Datenannotation für digitale Zwillinge

Anwendungen für digitale Zwillinge benötigen annotierte Daten, die die physische Welt auf ihre virtuelle Darstellung abbilden. Der Gaussian Splat Viewer von Avala ist hier besonders nützlich — er rendert fotorealistische 3D-Szenenrekonstruktionen, in denen Annotatoren navigieren und labeln können, als wären sie in der realen Umgebung.

Der Viewer bietet:

* **Szenenhierarchie-Panel** — Objekte im Szenenbaum durchsuchen und auswählen
* **Eigenschafteninspektor** — Objektattribute anzeigen und bearbeiten
* **Echtzeitstatistiken** — Rendering-Performance überwachen
* **Rückgängig/Wiederherstellen** — Vollständige Bearbeitungshistorie für Annotationskorrekturen

### Navigation und Pfadplanung

Für Roboter und autonome Systeme, die physische Räume navigieren müssen: Annotieren Sie befahrbare Regionen, Hindernisse und Wegpunkte in Punktwolkendaten. Verwenden Sie Polylinien, um Pfade und Grenzen zu definieren, und 3D-Quader, um Hindernisse mit Größe und Orientierung zu markieren.

## Verwendete Avala-Funktionen

| Funktion                   | Zweck                                                           | Mehr erfahren                                                      |
| -------------------------- | --------------------------------------------------------------- | ------------------------------------------------------------------ |
| Gaussian Splat Viewer      | 3D-Szenenrekonstruktionen visualisieren und annotieren          | [Visualisierungsübersicht](/docs/de/visualization/overview)             |
| Punktwolken-Visualisierung | Räumliche Daten mit 6 Rendering-Modi inspizieren                | [Visualisierungsübersicht](/docs/de/visualization/overview)             |
| MCAP / ROS-Integration     | Multi-Sensor-Aufnahmen von Embodied AI Systemen aufnehmen       | [MCAP & ROS](/docs/visualization/mcap-ros/overview)                     |
| 3D-Quader-Annotation       | Objekte im 3D-Raum mit präziser Position und Abmessungen labeln | [3D-Quader-Werkzeug](/docs/annotation/guides/tools/cuboid-3d)           |
| Klassifikation             | Kategorische Labels auf Szenen- und Objektebene                 | [Klassifikationswerkzeug](/docs/annotation/guides/tools/classification) |
| Python SDK                 | Programmatische Datensatzverwaltung und Export                  | [Python SDK](/docs/de/sdks/python)                                      |
| TypeScript SDK             | Integration mit Node.js-Pipelines                               | [TypeScript SDK](/docs/de/sdks/typescript)                              |
| Cloud-Speicher             | S3 oder GCS für große 3D-Datensätze verbinden                   | [Cloud-Speicher](/docs/integrations/cloud-storage)                      |

## Beispiel-Pipeline

```
Realwelt-Umgebungserfassung (LiDAR, Kameras, Tiefensensoren)
  -> 3D-Rekonstruktion generieren (Gaussian Splat oder Punktwolke)
  -> Zum Avala-Datensatz hochladen
  -> Im 3D-Viewer visualisieren -- Szenenstruktur und Qualität inspizieren
  -> Annotationsprojekt mit 3D-Quader + Klassifikationsaufgabe erstellen
  -> Annotatoren labeln Objekte, Regionen und räumliche Beziehungen
  -> QC-Review im selben 3D-Viewer
  -> Export mit 3D-Koordinaten und Metadaten
  -> In Embodied AI Training / Simulationskalibrierungs-Pipeline einspeisen
```

## Erste Schritte

<Steps>
  <Step title="Datenformat wählen">
    Verwenden Sie das Gaussian Splat Format für Szenenrekonstruktionen, PCD/PLY für rohe Punktwolken oder MCAP für Multi-Sensor-Aufnahmen von Embodied Systemen.
  </Step>

  <Step title="Hochladen und visualisieren">
    Erstellen Sie einen Datensatz mit dem passenden Datentyp und laden Sie Ihre Dateien hoch. Öffnen Sie diese im 3D-Viewer, um die räumlichen Daten zu erkunden.
  </Step>

  <Step title="Annotationsschema definieren">
    Richten Sie Objektklassen und Attribute ein, die den Anforderungen Ihres Modells entsprechen — Objektkategorien, Materialien, Zustände, räumliche Beziehungen.
  </Step>

  <Step title="In 3D annotieren">
    Ihr Team platziert 3D-Quader und Klassifikationslabels direkt in der Punktwolke oder Gaussian Splat Szene.
  </Step>

  <Step title="Exportieren und integrieren">
    Exportieren Sie Annotationen mit 3D-Koordinaten über die API oder das SDK. Integrieren Sie in Ihre Trainingspipeline, Simulation oder Ihr digitales Zwillingssystem.
  </Step>
</Steps>

## Nächste Schritte

<CardGroup cols={2}>
  <Card title="Visualisierungsübersicht" icon="eye" href="/docs/de/visualization/overview">
    Vollständige Übersicht der Visualisierungsfähigkeiten von Avala, einschließlich Gaussian Splat und Punktwolken-Viewer.
  </Card>

  <Card title="3D-Quader-Werkzeug" icon="cube" href="/docs/annotation/guides/tools/cuboid-3d">
    Wie Sie Objekte in 3D mit präziser Kontrolle über Position, Abmessung und Richtung annotieren.
  </Card>

  <Card title="Datentypen" icon="database" href="/docs/de/getting-started/data-types">
    Unterstützte Formate und Upload-Anforderungen für Splat, Punktwolke, MCAP und andere Datentypen.
  </Card>

  <Card title="Python SDK" icon="code" href="/docs/de/sdks/python">
    Programmatischer Zugriff für Datensatzverwaltung, Projekterstellung und Annotationsexport.
  </Card>
</CardGroup>