> ## 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. # Ingesta de fallos > Envíe rollouts y fallos a Avala, y vea cómo Avala los convierte en una taxonomía de fallos y un informe de brechas El ciclo empieza con lo que sus robots hacen realmente. Usted envía rollouts, incluidos los fallos y las intervenciones. Avala los lee, encuentra los patrones y le indica qué datos faltan. ## Formatos | Formato | Cómo llega | | - | - | | MCAP | Subida de grabación de flota, o `avala import folder --data-type mcap` | | ROS bags (`.bag`, `.db3`) | `avala import rosbag`, o convierta a MCAP y suba como grabación de flota | | Datasets de LeRobot | `avala import lerobot` desde el Hugging Face Hub o un directorio local | | Video con logs | Video mediante `avala import folder --data-type video`. Avala alinea los logs con el video como parte del programa. | | Logs de evaluación de Inspect Robots | `avala import inspect-robots`. Consulte la sección Importe logs de evaluación. | MCAP conserva cada topic, así que ofrece la imagen más completa. El importador de ROS bags convierte los topics de cámara (`sensor_msgs/Image` y `sensor_msgs/CompressedImage`) y conserva los estados de las articulaciones y otros topics numéricos o de texto. Las nubes de puntos y otras cargas binarias se omiten. Envíe MCAP cuando necesite conservar todos los topics. ## Envíe rollouts como grabaciones de flota Cada subida va a una grabación de flota existente. Avala aprovisiona grabaciones para sus dispositivos registrados cuando empieza el programa. Lístelas para encontrar el UID de la grabación. ```python Python theme={null} from avala import Client client = Client() # reads AVALA_API_KEY page = client.fleet.recordings.list(device_id="", 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( "", "./rollouts/2026-09-29", ) print(session.uid, session.status) ``` ```bash CLI theme={null} # Preview what will be uploaded avala fleet recordings upload \ --source ./rollouts/2026-09-29 \ --recording \ --dry-run # Upload and wait for server-side processing avala fleet recordings upload \ --source ./rollouts/2026-09-29 \ --recording \ --wait ``` `upload_recording` reanuda una subida interrumpida del mismo origen. Una llamada completada significa que el procesamiento está en cola. Consulte `client.fleet.recordings.get(uid).status` hasta que indique `ready`. ## Marque fallos e intervenciones como eventos Los eventos de flota ponen una etiqueta en un momento de una grabación. Marque cada fallo y cada intervención para que Avala los encuentre rápido. Use `type` para la clase de evento y `metadata` para cualquier dato que registre su stack, como la versión del modelo y la tarea. ```python Python theme={null} from avala import Client client = Client() event = client.fleet.events.create( recording="", device="", 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": "", "device": "", "type": "state_change", "label": "Operator took over", "timestamp": "2026-09-29T14:03:15Z", "tags": ["intervention"], }, ] ) print(created) ``` ```typescript TypeScript theme={null} import Avala from "@avala-ai/sdk"; const avala = new Avala(); // reads AVALA_API_KEY const event = await avala.fleet.events.create({ recording: "", device: "", 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); ``` ```bash CLI theme={null} avala fleet events create \ --recording \ --device \ --type anomaly \ --label "Plate slipped during placement" \ --timestamp 2026-09-29T14:03:12Z \ --severity warning ``` El `type` del evento es uno de `error`, `warning`, `info`, `state_change`, `anomaly` o `custom`. `severity` es uno de `info`, `warning`, `error` o `critical`. También puede crear eventos automáticamente con [reglas de grabación](/docs/visualization/fleet/recording-rules.md). ## Importe ROS bags y datasets de LeRobot Cuando los rollouts están fuera de la flota, impórtelos como dataset. Primero instale el extra para el formato. ```bash theme={null} 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 ``` El importador de LeRobot se describe en detalle en [Exportaciones](/docs/es/fleet-learning/exports.md). ## Importe logs de evaluación Si evalúa su política con [Inspect Robots](https://github.com/robocurve/inspect-robots), una herramienta de evaluación de código abierto, importe su log de evaluación en JSON. Cada prueba, una escena en una época, etiqueta una secuencia con una [etiqueta de resultado](/docs/es/fleet-learning/sequence-metadata.md). Las pruebas fallidas se convierten en secuencias que usted puede filtrar, revisar y convertir en trabajo de recolección. ```bash theme={null} 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 ``` | Prueba de Inspect Robots | Resultado | | - | - | | Puntuación de éxito igual o superior a `--success-threshold`, puntuación de calificación igual o superior a `--expert-threshold` | `expert_success` | | Puntuación de éxito igual o superior a `--success-threshold`, puntuación de calificación inferior a `--expert-threshold` | `partial_success` | | Puntuación de éxito inferior a `--success-threshold` | `failure` | | La prueba dio error o se canceló | `aborted` | | El evaluador de éxito no produjo ningún valor | Sin etiqueta | Cada etiqueta importada tiene `source` igual a `imported`, `evaluation_membership` igual a `held_out_eval` y `autonomy_level` igual a `autonomous`. `model_version` es la política de la ejecución. La tarea de la ejecución se convierte en una subtarea que abarca toda la prueba. Las etiquetas escritas por una persona o un modelo se conservan salvo que pase `--overwrite`. La lista completa de opciones está en la [referencia de la CLI](/docs/sdks/cli.md#inspect-robots-evaluation-logs). ## Inspeccione grabaciones y eventos con el servidor MCP El servidor MCP lee datos de flota. Pregunte a su asistente por los fallos recientes, o llame a las herramientas directamente: * `fleet_list_recordings` y `fleet_get_recording` para grabaciones * `fleet_list_events` filtrado por `recording`, `device`, `type` o `severity` * `get_fleet_health` para un resumen de toda la flota Las subidas y la creación de eventos se hacen con el SDK o la CLI. Consulte [Use Avala con IA](/docs/es/getting-started/mcp.md) para conectarse. ## Qué hace Avala con los rollouts Los pasos siguientes son un servicio que Avala realiza como parte del programa. No hay una API que llamar para ellos. 1. **Segmentación.** Avala divide cada rollout en secuencias y subtareas en los cambios de estado. Sus eventos anclan los momentos de fallo. 2. **Etiquetado.** Cada secuencia recibe los dos ejes de sus [metadatos de secuencia](/docs/es/fleet-learning/sequence-metadata.md): una verificación de validez técnica y una etiqueta de resultado. 3. **Agrupamiento.** Avala agrupa los fallos según qué salió mal y en qué condiciones. Los grupos se asignan a una taxonomía de fallos versionada para su programa. Los grupos nuevos amplían la taxonomía. 4. **Análisis de brechas.** Avala compara los grupos de fallos con la cobertura de sus datos de entrenamiento existentes y con las cohortes de evaluación. ## El informe de brechas Avala entrega un informe de brechas para cada lote de rollouts. | Sección | Contenido | | - | - | | Alcance | Grabaciones, rango de tiempo, versiones del modelo y versión de la taxonomía. | | Taxonomía de fallos | Cada modo de fallo, su definición y secuencias de ejemplo. | | Distribución | Recuentos y tasas de fallo por modo, por versión del modelo y por celda de cobertura. | | Cobertura faltante | Las [celdas de cobertura](/docs/es/fleet-learning/coverage.md) detrás de cada modo de fallo que sus datos de entrenamiento no tienen o tienen con muy pocos datos. | | Experimentos propuestos | Un borrador de [experimento de capacidad](/docs/es/fleet-learning/capability-experiments.md) por cada condición de fallo prioritaria, con una hipótesis y celdas objetivo. | Usted revisa el informe de brechas y elige las prioridades. Los experimentos aprobados se convierten en el siguiente brief de recolección.