Saltar al contenido principal
Los sistemas de Physical AI — agentes embodied, gemelos digitales, aplicaciones de computación espacial y pipelines de transferencia sim-to-real — requieren datos de entrenamiento que capturen la estructura 3D de entornos reales. Avala proporciona las herramientas de visualización y anotación que estos equipos necesitan: renderizado de escenas Gaussian Splat, visualización de nubes de puntos acelerada por GPU, reproducción multi-sensor MCAP y herramientas de anotación 3D que trabajan directamente sobre datos espaciales.

​
Por qué Avala para Physical AI

Las plataformas de anotación tradicionales están construidas para imágenes 2D. Los equipos de Physical AI necesitan trabajar con escenas 3D, nubes de puntos, grabaciones multi-sensor y reconstrucciones espaciales. Avala maneja todo esto de forma nativa.

Visor Gaussian Splat

Cargue reconstrucciones de escenas 3D Gaussian Splat en un visor renderizado por WebGPU con jerarquía de escena, inspector de propiedades y estadísticas en tiempo real. Navegue y anote directamente en el entorno 3D reconstruido.

Visualización de nubes de puntos

Renderizado de nubes de puntos acelerado por GPU con 6 modos de visualización. Inspeccione estructura espacial, densidad y cobertura de sensores con vistas Neutral, Intensity, Rainbow, Label, Panoptic e Image Projection.

Reproducción multi-sensor MCAP

Reproduzca datos de sensores grabados de sistemas de IA embodied — cámaras, sensores de profundidad, LiDAR, IMU — en un visor multi-panel sincronizado.

Herramientas de anotación 3D

Anote cuboides 3D, etiquetas de clasificación y atributos de objetos directamente sobre nubes de puntos y escenas Gaussian Splat sin cambiar de herramienta.

​
Tipos de datos

AplicaciónTipo de dato en AvalaAnotación típica
Reconstrucción de escenasSplat (Gaussian Splat)Cuboides 3D, clasificación
Mapeo espacialPoint CloudCuboides 3D, segmentación
Grabaciones de agentes embodiedMCAPAnotación multi-sensor con seguimiento
Entrenamiento de navegaciónPoint Cloud, MCAPCuboides 3D, polilíneas
Reconocimiento de objetosImage, Point CloudBounding boxes, cuboides 3D
Generación de gemelos digitalesSplat, Point CloudClasificación, atributos de objetos

​
Casos de uso

​
Comprensión de escenas para IA embodied

Los agentes de IA embodied necesitan comprender la estructura 3D de su entorno: dónde están los objetos, qué superficies son transitables y cómo está organizado el espacio. Los visores de nubes de puntos y Gaussian Splat de Avala le permiten visualizar entornos capturados, luego anotar objetos, regiones y relaciones espaciales que entrenan modelos de comprensión de escenas. Flujo de trabajo: Capturar entorno con LiDAR o cámaras de profundidad -> subir nube de puntos o reconstrucción Gaussian Splat -> visualizar e inspeccionar en visor 3D -> anotar objetos con cuboides 3D y etiquetas de clasificación -> exportar para entrenamiento de modelos.

​
Reconocimiento de objetos 3D

Entrene modelos para reconocer objetos en espacio 3D usando nubes de puntos anotadas y reconstrucciones de escenas. La herramienta de cuboides 3D permite a los anotadores colocar volúmenes de delimitación precisos alrededor de objetos con control completo de posición, dimensión y heading. Los atributos de clasificación añaden metadatos de categoría, material y estado a cada objeto.

​
Transferencia sim-to-real

Los equipos que construyen entornos de simulación necesitan datos del mundo real etiquetados para validar y calibrar sus simulaciones. Avala maneja el lado del mundo real del pipeline:
1

Capture datos del mundo real

Grabe datos multi-sensor del entorno objetivo usando su robot o equipo de sensores. Use formato MCAP para grabaciones multi-sensor o PCD/PLY para nubes de puntos independientes.
2

Reconstruya y visualice

Suba reconstrucciones Gaussian Splat o nubes de puntos sin procesar. Explore los datos en los visores 3D de Avala para comprender la estructura de la escena.
3

Anote ground truth

Etiquete objetos, regiones y relaciones espaciales que su simulación necesita replicar con precisión.
4

Exporte para alineación de simulación

Exporte anotaciones con coordenadas 3D precisas. Úselas como ground truth para validar y ajustar los parámetros de su simulación.

​
Anotación de datos de gemelos digitales

Las aplicaciones de gemelos digitales necesitan datos anotados que mapeen el mundo físico a su representación virtual. El visor Gaussian Splat de Avala es particularmente útil aquí — renderiza reconstrucciones de escenas 3D fotorrealistas que los anotadores pueden navegar y etiquetar como si estuvieran en el entorno real. El visor proporciona:
  • Panel de jerarquía de escena — Explore y seleccione objetos en el árbol de escena
  • Inspector de propiedades — Vea y edite atributos de objetos
  • Estadísticas en tiempo real — Monitoree el rendimiento de renderizado
  • Deshacer/rehacer — Historial completo de edición para correcciones de anotación
Para robots y sistemas autónomos que necesitan navegar espacios físicos, anote regiones transitables, obstáculos y waypoints en datos de nubes de puntos. Use polilíneas para definir rutas y límites, y cuboides 3D para marcar obstáculos con tamaño y orientación.

​
Características de Avala utilizadas

CaracterísticaPropósitoMás información
Visor Gaussian SplatVisualice y anote reconstrucciones de escenas 3DVisión general de visualización
Visualización de nubes de puntosInspeccione datos espaciales con 6 modos de renderizadoVisión general de visualización
Integración MCAP / ROSIngeste grabaciones multi-sensor de sistemas de IA embodiedMCAP y ROS
Anotación de cuboides 3DEtiquete objetos en espacio 3D con posición y dimensiones precisasHerramienta cuboide 3D
ClasificaciónEtiquetas categóricas a nivel de escena y de objetoHerramienta clasificación
Python SDKGestión programática de datasets y exportacionesPython SDK
TypeScript SDKIntegración con pipelines Node.jsTypeScript SDK
Almacenamiento en la nubeConecte S3 o GCS para grandes datasets 3DAlmacenamiento en la nube

​
Pipeline de ejemplo

Real-world environment capture (LiDAR, cameras, depth sensors)
  -> Generate 3D reconstruction (Gaussian Splat or point cloud)
  -> Upload to Avala dataset
  -> Visualize in 3D viewer -- inspect scene structure and quality
  -> Create annotation project with 3D cuboid + classification task
  -> Annotators label objects, regions, and spatial relationships
  -> QC review in the same 3D viewer
  -> Export with 3D coordinates and metadata
  -> Feed into embodied AI training / simulation calibration pipeline

​
Primeros pasos

1

Elija su formato de datos

Use formato Gaussian Splat para reconstrucciones de escenas, PCD/PLY para nubes de puntos sin procesar, o MCAP para grabaciones multi-sensor de sistemas embodied.
2

Suba y visualice

Cree un dataset con el tipo de dato apropiado y suba sus archivos. Ábralos en el visor 3D para explorar los datos espaciales.
3

Defina su esquema de anotación

Configure clases de objetos y atributos que coincidan con los requisitos de su modelo — categorías de objetos, materiales, estados, relaciones espaciales.
4

Anote en 3D

Su equipo coloca cuboides 3D y etiquetas de clasificación directamente en la nube de puntos o escena Gaussian Splat.
5

Exporte e integre

Exporte anotaciones con coordenadas 3D a través de la API o SDK. Integre en su pipeline de entrenamiento, simulación o sistema de gemelos digitales.

​
Próximos pasos

Visión general de visualización

Visión completa de las capacidades de visualización de Avala, incluyendo visores Gaussian Splat y de nubes de puntos.

Herramienta cuboide 3D

Cómo anotar objetos en 3D con control preciso de posición, dimensión y heading.

Tipos de datos

Formatos soportados y requisitos de subida para Splat, Point Cloud, MCAP y otros tipos de datos.

Python SDK

Acceso programático para gestionar datasets, crear proyectos y exportar anotaciones.