> ## 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. # Conceptos fundamentales > Comprenda los conceptos fundamentales de la plataforma Avala Esta página cubre los bloques de construcción de la plataforma Avala: visualización, anotación, datasets, proyectos, tareas, organizaciones, etiquetas, control de calidad y secuencias. Comprender estos conceptos le ayudará a diseñar flujos de trabajo de datos efectivos para Physical AI. ## Visualización Avala proporciona visualización acelerada por GPU para datos de sensores directamente en el navegador. Estos conceptos se aplican a todas las funciones de visualización. ### Visores Avala incluye visores especializados para diferentes tipos de datos. El **visor multi-sensor** maneja grabaciones MCAP y ROS con reproducción sincronizada en todos los flujos de sensores. El **visor de nubes de puntos 3D** renderiza datos LiDAR con seis modos de visualización. El **visor Gaussian Splat** renderiza reconstrucciones fotorrealistas de escenas 3D usando WebGPU. ### Paneles El visor multi-sensor organiza los datos en **paneles** — ventanas de visualización independientes para diferentes flujos de datos. Avala soporta ocho tipos de paneles: | Tipo de panel | Descripción | | ----------------- | ---------------------------------------------- | | Image | Fotogramas de cámara y flujos de imagen | | 3D / Point Cloud | Escaneos LiDAR y geometría 3D | | Plot | Datos de series temporales y señales numéricas | | Raw Messages | Cargas útiles de mensajes decodificados | | Log | Flujos de registros textuales | | Map | Posición geográfica y trayectorias | | Gauge | Lecturas numéricas en tiempo real | | State Transitions | Cambios de estado discretos en el tiempo | Los topics se asignan automáticamente a los paneles según su esquema. ### Diseños Los diseños multi-ventana organizan los paneles en una cuadrícula configurable. El **compositor de diseño** construye automáticamente disposiciones optimizadas basadas en los topics de sus datos, o puede personalizar el diseño manualmente arrastrando, redimensionando y reorganizando paneles. ### Líneas de tiempo Todos los paneles en un visor comparten una **línea de tiempo sincronizada**. Navegue fotograma a fotograma, desplácese a marcas de tiempo específicas o reproduzca grabaciones a velocidades configurables. La línea de tiempo mantiene todos los flujos de sensores alineados independientemente de sus frecuencias individuales de captura. ### Flujos de sensores Las grabaciones MCAP contienen múltiples **flujos de sensores** (topics). Cada topic transporta un tipo de dato específico — imágenes, nubes de puntos, lecturas IMU, coordenadas GPS — a su propia frecuencia. Avala sincroniza todos los flujos por marca de tiempo para que pueda ver la imagen completa del sensor en cualquier momento. ### Modos de visualización Los datos de nubes de puntos pueden colorearse usando seis modos: | Modo | Descripción | | ---------------- | ---------------------------------------------- | | Neutral | Color uniforme único | | Intensity | Coloreado por intensidad de retorno | | Rainbow | Coloreado temporal o secuencial | | Label | Coloreado por clase semántica | | Panoptic | Coloreado por identidad de instancia | | Image Projection | Texturizado con imágenes de cámara proyectadas | Los modos de visualización se aplican al visor de nubes de puntos 3D y funcionan tanto con datasets LiDAR independientes como con flujos de nubes de puntos dentro de grabaciones MCAP. ## Datasets Un **dataset** es una colección de elementos de datos (imágenes, fotogramas de video, nubes de puntos o grabaciones multi-sensor) que sirven como materia prima para la visualización y anotación. ### Propiedades del dataset | Propiedad | Descripción | | ------------ | -------------------------------------------------------------------------- | | `name` | Nombre legible | | `slug` | Identificador amigable para URL (único dentro del espacio del propietario) | | `data_type` | Tipo de dato: `image`, `video`, `lidar`, `mcap`, `image_3d`, `splat` | | `visibility` | `public` o `private` | | `owner` | Usuario u organización propietaria del dataset | | `item_count` | Número total de elementos de datos en el dataset | ### Elementos de datos Cada dataset contiene **elementos** — muestras de datos individuales: * **Datasets de imágenes** — Cada elemento es un archivo de imagen individual. * **Datasets de video** — Los elementos son fotogramas de video, agrupados en secuencias. * **Datasets LiDAR** — Los elementos son escaneos individuales de nubes de puntos. * **Datasets MCAP** — Los elementos contienen fotogramas multi-sensor sincronizados (cámara + LiDAR + IMU). ### Secuencias Las **secuencias** agrupan elementos relacionados para datos temporales o multi-fotograma: * Fotogramas de video de la misma grabación * Escaneos LiDAR de una sesión de conducción continua * Capturas multi-cámara sincronizadas en marcas de tiempo consecutivas Las secuencias permiten la navegación fotograma a fotograma, el seguimiento de objetos entre fotogramas y la consistencia temporal en las anotaciones. Flujo de estados de la secuencia: ``` uploading → processing → ready → failed ``` ## Proyectos Un **proyecto** define un flujo de trabajo de anotación conectando uno o más datasets con un tipo de tarea específico, una taxonomía de etiquetas y una configuración de control de calidad. ### Componentes del proyecto ``` Project ├── Datasets (fuentes de datos) ├── Task Type (método de anotación) ├── Label Config (clases de objetos, atributos) ├── Quality Control (etapas de revisión, consenso) └── Tasks (unidades de trabajo individuales) ``` ### Tipos de tareas Los proyectos se configuran con uno de los siguientes tipos de tarea: | Tipo de tarea | Valor API | Descripción | | --------------------------- | ------------------------ | --------------------------------------------------------------------------------- | | Anotación de imagen | `image-annotation` | Anotación 2D en imágenes individuales (cajas, polígonos, segmentación, keypoints) | | Anotación de video | `video-annotation` | Anotación fotograma a fotograma con seguimiento de objetos entre fotogramas | | Anotación de nube de puntos | `point-cloud-annotation` | Anotación 3D en escaneos LiDAR (cuboides, segmentación) | | Objetos en nube de puntos | `point-cloud-objects` | Anotación a nivel de objeto en secuencias de nubes de puntos 3D | ### Estado del proyecto | Estado | Descripción | | ------------------ | -------------------------------------------------- | | `pending-approval` | En espera de aprobación para iniciar | | `active` | Aceptando trabajo de anotación | | `paused` | Detenido temporalmente | | `canceled` | Detenido permanentemente | | `archived` | Completado y archivado | | `completed` | Todas las tareas de anotación han sido completadas | ## Tareas Una **tarea** es una unidad de trabajo individual dentro de un proyecto. Cada tarea representa trabajo de anotación que debe realizarse en uno o más elementos de datos por un solo anotador. ### Ciclo de vida de la tarea Las tareas progresan a través de los siguientes estados: ``` pending → assigned → in_progress → submitted → under_review → approved → rejected → rework ``` | Estado | Descripción | | -------------- | --------------------------------------------------- | | `pending` | Creada pero aún no asignada a un anotador | | `assigned` | Asignada a un anotador, esperando que comience | | `in_progress` | El anotador está trabajando activamente en la tarea | | `submitted` | El anotador ha enviado su trabajo para revisión | | `under_review` | Un revisor está examinando las anotaciones enviadas | | `approved` | Anotaciones aceptadas — la tarea está completa | | `rejected` | Las anotaciones no pasaron la revisión | | `rework` | Devuelta al anotador para correcciones | ### Resultados Cuando un anotador completa una tarea, envía un **resultado** que contiene: * Los datos de anotación (bounding boxes, polígonos, cuboides, máscaras de segmentación, etc.) * Metadatos (tiempo invertido, versiones de herramientas) Los resultados pasan por una revisión de control de calidad antes de la aceptación final. ## Organizaciones Una **organización** agrupa usuarios y recursos para la colaboración en equipo. ### Estructura de la organización ``` Organization ├── Members (usuarios con roles) ├── Datasets (datos compartidos) ├── Projects (flujos de trabajo compartidos) └── Settings (facturación, API keys, permisos) ``` ### Roles de miembros | Rol | Capacidades | | -------- | -------------------------------------------------------------------------- | | `owner` | Control total — facturación, configuración, puede eliminar la organización | | `admin` | Gestionar miembros, crear y configurar recursos | | `member` | Acceder a recursos compartidos, realizar trabajo de anotación | ## Etiquetas y taxonomía ### Configuración de etiquetas Los proyectos definen una **configuración de etiquetas** — un conjunto de clases de objetos predefinidas que los anotadores asignan a las anotaciones: ```json theme={null} { "labels": [ { "name": "car", "color": "#FF0000" }, { "name": "pedestrian", "color": "#00FF00" }, { "name": "cyclist", "color": "#0000FF" } ] } ``` ### Clasificación Para taxonomías más complejas, los proyectos pueden incluir **configuraciones de clasificación** que definen: * **Atributos** — Propiedades como color, nivel de oclusión o truncamiento que los anotadores asignan a cada objeto. * **Categorías jerárquicas** — Estructuras de clases anidadas (ej., Vehículo > Auto > Sedán). * **Atributos condicionales** — Atributos que solo aparecen para clases de objetos específicas. ## Tipos de anotación Avala soporta los siguientes tipos de anotación, cada uno diseñado para tareas de etiquetado específicas: | Tipo | Descripción | Tipos de datos | | ----------------- | --------------------------------------------------------- | ------------------------ | | **Bounding Box** | Región rectangular 2D alrededor de un objeto | Imágenes, Video | | **Polígono** | Forma cerrada arbitraria trazando límites de objetos | Imágenes, Video | | **Cuboide 3D** | Bounding box 3D con posición, dimensiones y rotación | Nubes de puntos, MCAP | | **Segmentación** | Máscara de clasificación a nivel de píxel | Imágenes, Video | | **Polilínea** | Camino abierto para carriles, bordes y límites | Imágenes, Video | | **Keypoints** | Puntos de referencia para estimación de pose y estructura | Imágenes, Video | | **Clasificación** | Etiquetas categóricas a nivel de escena o de objeto | Todos los tipos de datos | ## Control de calidad Avala proporciona herramientas integradas de aseguramiento de calidad para garantizar la precisión y consistencia de las anotaciones. ### Revisiones Las anotaciones pasan por una **etapa de revisión** antes de su aceptación: 1. El anotador envía su resultado. 2. Un revisor examina las anotaciones. 3. El revisor **aprueba** el trabajo correcto o **rechaza** el trabajo que necesita corrección. 4. Las tareas rechazadas regresan al anotador para retrabajo. ### Problemas Los **problemas de anotación** permiten a los revisores señalar problemas específicos en anotaciones individuales: * Fijar un problema a un objeto o región específica en la escena. * Asignar problemas a miembros del equipo para su resolución. * Rastrear el estado del problema (abierto, resuelto). ### Métricas Monitoree la calidad de anotación con métricas integradas: * **Tasa de aceptación** — Porcentaje de tareas aprobadas en el primer envío. * **Tiempo de anotación** — Tiempo promedio invertido por tarea. * **Acuerdo entre anotadores** — Consistencia entre anotadores sobre los mismos datos. * **Frecuencia de problemas** — Tasa de problemas señalados por tarea. ### Consenso Los **flujos de consenso** asignan los mismos datos a múltiples anotadores de forma independiente, luego comparan los resultados para medir el acuerdo e identificar casos ambiguos. Las métricas de calidad ayudan a identificar necesidades de capacitación y mantener estándares de anotación consistentes en todo su equipo. ## Secuencias Las **secuencias** son colecciones ordenadas de elementos de datos que representan progresiones temporales o espaciales — fotogramas de video, barridos LiDAR o grabaciones multi-sensor. ### Propiedades | Propiedad | Descripción | | ------------- | --------------------------------------- | | `name` | Identificador de la secuencia | | `frame_count` | Número de fotogramas en la secuencia | | `status` | Estado de procesamiento de la secuencia | | `data_type` | Heredado del dataset padre | ### Flujo de estados Las secuencias siguen esta progresión de estados a medida que los datos se suben y procesan: ``` uploading → processing → ready → failed ``` * **uploading** — Los fotogramas se están subiendo a la plataforma. * **processing** — Los fotogramas se están validando y preparando para la anotación. * **ready** — Todos los fotogramas están procesados y disponibles para la anotación. * **failed** — El procesamiento encontró un error (verifique los estados de los fotogramas individuales). ## Gestión de flotas La gestión de flotas está en vista previa. Las funciones descritas aquí pueden cambiar. Las capacidades de gestión de flotas de Avala le permiten administrar dispositivos, grabaciones y telemetría a través de flotas de robots a escala. ### Dispositivos Un **dispositivo** representa un robot físico, equipo de sensores o unidad de cómputo en su flota. Cada dispositivo tiene un identificador único con prefijo `dev_` y rastrea metadatos como tipo, versión de firmware y estado (`online`, `offline`, `maintenance`). ### Grabaciones Los dispositivos producen **grabaciones** — archivos MCAP capturados durante la operación. Las grabaciones se asocian automáticamente con su dispositivo de origen y pueden filtrarse por dispositivo, fecha, estado y etiquetas. ### Eventos Los **eventos** son marcadores con marca de tiempo en las grabaciones: errores, cambios de estado, anomalías y anotaciones personalizadas. Los eventos aparecen en la línea de tiempo del visor MCAP y pueden consultarse a través de la flota. ### Reglas de grabación Las **reglas de grabación** evalúan automáticamente las grabaciones contra condiciones y ejecutan acciones (etiquetar, marcar para revisión, notificar) cuando se encuentran coincidencias. Las reglas pueden activarse por umbrales, patrones, frecuencias o ausencia de datos. ### Alertas Las **alertas** notifican a su equipo cuando cambian las condiciones de la flota. Enrute alertas a Slack, correo electrónico, webhooks o notificaciones en la aplicación. Las alertas siguen un ciclo de vida: `open` → `acknowledged` → `resolved`. ## Próximos pasos Formatos soportados, capacidades de visualización y herramientas de anotación para cada tipo de dato. Conozca la interfaz web para visualización, anotación y gestión de proyectos. Cómo se integran los componentes de la plataforma Avala, incluyendo el motor de visualización. Configure API keys y comience a hacer solicitudes autenticadas. Gestione dispositivos, grabaciones y telemetría a través de su flota de robots.