> ## 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.

# Vehículos autónomos

> Visualice y anote datos multi-sensor de AV — cámaras, LiDAR, radar y grabaciones MCAP

Los equipos de vehículos autónomos producen los datasets de sensores más grandes y complejos de la industria. Avala proporciona una plataforma única para visualizar grabaciones multi-sensor sin procesar, anotar datos de entrenamiento de percepción y ejecutar control de calidad -- sin alternar entre herramientas separadas de visualización y etiquetado.

## Primero la visualización

Antes de anotar, los equipos de AV necesitan explorar y comprender sus datos. El visor multi-sensor de Avala maneja la pila completa de sensores de AV:

<CardGroup cols={2}>
  <Card title="Reproducción MCAP" icon="play">
    Suba grabaciones MCAP de su flota de vehículos y reproduzca todos los flujos de sensores en un visor multi-panel sincronizado con 8 tipos de paneles.
  </Card>

  <Card title="Cámara envolvente + LiDAR" icon="camera-cctv">
    Vea todas las cámaras envolventes junto con nubes de puntos LiDAR con proyección automática basada en calibración para verificación cruzada de sensores.
  </Card>

  <Card title="3D acelerado por GPU" icon="cube">
    Renderice nubes de puntos LiDAR con aceleración WebGPU y 6 modos de visualización: Neutral, Intensity, Rainbow, Label, Panoptic e Image Projection.
  </Card>

  <Card title="Navegación por línea de tiempo" icon="clock">
    Desplácese por registros de conducción, avance fotograma a fotograma y salte a marcas de tiempo específicas. Todos los paneles se mantienen sincronizados a través de diferentes tasas de sensores.
  </Card>
</CardGroup>

Esto significa que sus ingenieros pueden usar Avala para revisión y depuración de datos (reemplazando Foxglove o Rerun), y su equipo de anotación puede etiquetar los mismos datos en la misma interfaz.

## Tipos de datos

| Sensor                        | Tipo de dato en Avala          | Anotación típica                                                  |
| ----------------------------- | ------------------------------ | ----------------------------------------------------------------- |
| Cámaras frontales/envolventes | Image, Video                   | Bounding boxes 2D, polilíneas de carril, máscaras de segmentación |
| LiDAR                         | Point Cloud                    | Cuboides 3D con heading, dimensiones e IDs de seguimiento         |
| Radar                         | MCAP (vía paneles Point Cloud) | Cuboides 3D, marcadores de detección                              |
| Fusión multi-sensor           | MCAP                           | Anotación sincronizada cámara + LiDAR con proyección 3D-a-2D      |

## Tareas comunes

### Detección de objetos 3D

Etiquete vehículos, peatones, ciclistas y objetos estáticos con cuboides 3D en nubes de puntos LiDAR. El editor de anotación 3D proporciona vistas cenital, perspectiva y lateral para la colocación precisa de cuboides. Los cuboides incluyen parámetros completos de posición (x, y, z), dimensiones (largo, ancho, alto) y heading (yaw).

### Proyección multi-cámara

Anote cuboides 3D en la vista LiDAR y proyéctelos automáticamente sobre las imágenes de las cámaras envolventes para verificación visual. El visor soporta modelos de cámara pinhole y double-sphere, por lo que la proyección funciona con lentes estándar y ojo de pez.

<Tip>
  La proyección multi-cámara es una de las formas más efectivas de verificar la calidad de anotación 3D. Los errores de profundidad y heading que son difíciles de detectar en una vista cenital se vuelven obvios cuando el cuboide se superpone en la imagen de cámara.
</Tip>

### Anotación de carriles y bordes de vía

Use herramientas de polilíneas para trazar marcas de carril, bordillos y bordes de vía en vistas de cámara. Las polilíneas soportan segmentos conectados con edición a nivel de vértice, haciéndolas adecuadas para carriles curvos e intersecciones complejas.

### Seguimiento temporal de objetos

Rastree objetos a través de fotogramas con IDs consistentes para modelos de predicción de movimiento y pronóstico de trayectorias. Los IDs de objetos persisten a lo largo de la línea de tiempo de la secuencia, y la navegación fotograma a fotograma del visor facilita la verificación de la continuidad del seguimiento.

### Clasificación de escena

Clasifique condiciones de conducción a nivel de escena -- clima (despejado, lluvioso, neblinoso), hora del día (día, atardecer, noche), tipo de vía (autopista, urbano, rural) y densidad de tráfico. Las etiquetas de clasificación se aplican al fotograma completo y pueden combinarse con anotaciones a nivel de objeto.

## Características de Avala utilizadas

| Característica                     | Propósito                                                        | Más información                                                        |
| ---------------------------------- | ---------------------------------------------------------------- | ---------------------------------------------------------------------- |
| Integración MCAP / ROS             | Ingeste grabaciones multi-sensor de su flota de vehículos        | [MCAP y ROS](/docs/visualization/mcap-ros/overview)                         |
| Visor multi-sensor                 | Reproducción sincronizada de cámaras, LiDAR, radar e IMU         | [Visor multi-sensor](/docs/visualization/multi-sensor-viewer)               |
| Nubes de puntos aceleradas por GPU | Inspeccione datos LiDAR con 6 modos de visualización             | [Visión general de visualización](/docs/es/visualization/overview)          |
| Anotación de cuboides 3D           | Etiquete objetos en 3D con vistas cenital, perspectiva y lateral | [Herramienta cuboide 3D](/docs/annotation/guides/tools/cuboid-3d)           |
| Seguimiento de objetos             | IDs consistentes a través de secuencias de fotogramas            | [Anotación de video](/docs/annotation/tutorials/video-annotation)           |
| Anotación de polilíneas            | Trace carriles, bordillos y límites de vía                       | [Herramienta polilínea](/docs/annotation/guides/tools/polyline)             |
| Proyección multi-cámara            | Proyecte anotaciones 3D sobre imágenes de cámara                 | [Configuración multi-cámara](/docs/visualization/guides/multi-camera-setup) |
| Auto-etiquetado por lotes          | Inicialice anotaciones con predicciones de modelos               | [Auto-etiquetado por lotes](/docs/integrations/batch-auto-labeling)         |
| Control de calidad                 | Flujos de revisión multi-etapa                                   | [Control de calidad](/docs/annotation/guides/quality-control)               |
| Almacenamiento en la nube          | Conecte buckets S3 para grandes datasets de conducción           | [Almacenamiento en la nube](/docs/integrations/cloud-storage)               |

## Pipeline de ejemplo

```
Raw sensor data (MCAP recordings from vehicle fleet)
  -> Upload to Avala via cloud storage integration (S3)
  -> Explore recordings in multi-sensor viewer
  -> Verify calibration with LiDAR-to-camera projection
  -> Create annotation project with 3D cuboid + tracking task type
  -> Annotators label 3D cuboids with tracking IDs
  -> Auto-label next batch with model predictions (batch auto-labeling)
  -> QC review with multi-stage workflow
  -> Export in KITTI, COCO, or custom format
  -> Train perception model
  -> Use model predictions for next round of auto-labeling
```

## Primeros pasos

<Steps>
  <Step title="Suba sus datos de conducción">
    Cree un dataset con tipo de dato `mcap` y suba grabaciones MCAP de su flota. Para datasets grandes, use la [integración de almacenamiento en la nube](/docs/integrations/cloud-storage) para conectar su bucket S3 directamente.
  </Step>

  <Step title="Explore en el visor">
    Abra una grabación en el visor multi-sensor. Verifique que los datos de cámara, LiDAR y transformación estén presentes. Compruebe la calibración habilitando la proyección LiDAR-a-cámara.
  </Step>

  <Step title="Configure su proyecto de anotación">
    Cree un proyecto con anotación de cuboides 3D, defina su taxonomía de etiquetas (vehicle, pedestrian, cyclist, etc.) y configure los ajustes de control de calidad.
  </Step>

  <Step title="Anote y revise">
    Su equipo anota cuboides 3D con IDs de seguimiento. Los revisores verifican las anotaciones usando proyección multi-cámara para detectar errores de profundidad y heading.
  </Step>

  <Step title="Exporte y entrene">
    Exporte datos etiquetados en su formato preferido. Use el Python SDK o TypeScript SDK para integrar exportaciones en su pipeline de entrenamiento.
  </Step>
</Steps>

## Próximos pasos

<CardGroup cols={2}>
  <Card title="MCAP y ROS" icon="robot" href="/docs/visualization/mcap-ros/overview">
    Guía detallada para preparar y subir grabaciones multi-sensor.
  </Card>

  <Card title="Herramienta cuboide 3D" icon="cube" href="/docs/annotation/guides/tools/cuboid-3d">
    Cómo colocar, ajustar y rastrear cuboides 3D en el editor de nubes de puntos.
  </Card>

  <Card title="Mejores prácticas de grabación" icon="circle-check" href="/docs/visualization/guides/recording-best-practices">
    Consejos para grabar datos que se visualizan y anotan bien.
  </Card>

  <Card title="Control de calidad" icon="shield-check" href="/docs/annotation/guides/quality-control">
    Configure flujos de revisión multi-etapa para anotación en producción.
  </Card>
</CardGroup>