Ingestion des défaillances

La boucle commence par ce que vos robots font réellement. Vous envoyez des rollouts, y compris les défaillances et les interventions. Avala les lit, trouve les motifs récurrents et vous indique quelles données manquent.

Formats

Format	Mode d’arrivée
MCAP	Téléversement d’enregistrement de flotte, ou `avala import folder --data-type mcap`
ROS bags (`.bag`, `.db3`)	`avala import rosbag`, ou conversion en MCAP puis téléversement comme enregistrement de flotte
Jeux de données LeRobot	`avala import lerobot` depuis le Hugging Face Hub ou un répertoire local
Vidéo avec journaux	Vidéo via `avala import folder --data-type video`. Avala aligne les journaux sur la vidéo dans le cadre du programme.
Journaux d’évaluation Inspect Robots	`avala import inspect-robots`. Consultez la section Importer des journaux d’évaluation.

MCAP conserve chaque topic et donne donc l’image la plus complète. L’importateur de ROS bags convertit les topics caméra (sensor_msgs/Image et sensor_msgs/CompressedImage) et conserve les états articulaires et les autres topics numériques ou textuels. Les nuages de points et les autres charges binaires sont ignorés. Envoyez du MCAP lorsque vous avez besoin de conserver tous les topics.

Envoyer des rollouts comme enregistrements de flotte

Chaque téléversement va dans un enregistrement de flotte existant. Avala provisionne des enregistrements pour vos appareils enregistrés au démarrage du programme. Listez-les pour trouver l’UID de l’enregistrement.

from avala import Client

client = Client()  # reads AVALA_API_KEY

page = client.fleet.recordings.list(device_id="<device-uid>", 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(
    "<recording-uid>",
    "./rollouts/2026-09-29",
)
print(session.uid, session.status)

# Preview what will be uploaded
avala fleet recordings upload \
  --source ./rollouts/2026-09-29 \
  --recording <recording-uid> \
  --dry-run

# Upload and wait for server-side processing
avala fleet recordings upload \
  --source ./rollouts/2026-09-29 \
  --recording <recording-uid> \
  --wait

upload_recording reprend un téléversement interrompu de la même source. Un appel terminé signifie que le traitement est en file d’attente. Vérifiez client.fleet.recordings.get(uid).status jusqu’à ce qu’il indique ready.

Marquer les défaillances et les interventions comme événements

Les événements de flotte posent une étiquette sur un moment d’un enregistrement. Marquez chaque défaillance et chaque intervention pour qu’Avala les retrouve rapidement. Utilisez type pour la classe d’événement et metadata pour tout ce que votre stack journalise, comme la version du modèle et la tâche.

from avala import Client

client = Client()

event = client.fleet.events.create(
    recording="<recording-uid>",
    device="<device-uid>",
    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": "<recording-uid>",
            "device": "<device-uid>",
            "type": "state_change",
            "label": "Operator took over",
            "timestamp": "2026-09-29T14:03:15Z",
            "tags": ["intervention"],
        },
    ]
)
print(created)

import Avala from "@avala-ai/sdk";

const avala = new Avala(); // reads AVALA_API_KEY

const event = await avala.fleet.events.create({
  recording: "<recording-uid>",
  device: "<device-uid>",
  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);

avala fleet events create \
  --recording <recording-uid> \
  --device <device-uid> \
  --type anomaly \
  --label "Plate slipped during placement" \
  --timestamp 2026-09-29T14:03:12Z \
  --severity warning

Le type d’événement est l’un de error, warning, info, state_change, anomaly ou custom. severity est l’un de info, warning, error ou critical. Vous pouvez aussi créer des événements automatiquement avec des règles d’enregistrement.

Importer des ROS bags et des jeux de données LeRobot

Lorsque les rollouts se trouvent hors de la flotte, importez-les comme jeu de données. Installez d’abord l’extra correspondant au format.

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

L’importateur LeRobot est décrit en détail dans Exports.

Importer des journaux d’évaluation

Si vous évaluez votre politique avec Inspect Robots, un outil d’évaluation open source, importez son journal d’évaluation JSON. Chaque essai, soit une scène dans une epoch, étiquette une séquence avec une étiquette de résultat. Les essais en échec deviennent des séquences que vous pouvez filtrer, réviser et transformer en travail de collecte.

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

Essai Inspect Robots	Résultat
Score de réussite supérieur ou égal à `--success-threshold`, score de notation supérieur ou égal à `--expert-threshold`	`expert_success`
Score de réussite supérieur ou égal à `--success-threshold`, score de notation inférieur à `--expert-threshold`	`partial_success`
Score de réussite inférieur à `--success-threshold`	`failure`
L’essai a échoué sur une erreur ou a été annulé	`aborted`
Le scoreur de réussite n’a produit aucune valeur	Non étiqueté

Chaque étiquette importée a source à imported, evaluation_membership à held_out_eval et autonomy_level à autonomous. model_version est la politique de l’exécution. La tâche de l’exécution devient une sous-tâche qui couvre tout l’essai. Les étiquettes écrites par une personne ou par un modèle sont conservées, sauf si vous passez --overwrite. La liste complète des options se trouve dans la référence de la CLI.

Inspecter les enregistrements et les événements avec le serveur MCP

Le serveur MCP lit les données de flotte. Interrogez votre assistant sur les défaillances récentes, ou appelez directement les outils :

fleet_list_recordings et fleet_get_recording pour les enregistrements
fleet_list_events filtré par recording, device, type ou severity
get_fleet_health pour une synthèse à l’échelle de la flotte

Les téléversements et la création d’événements passent par le SDK ou la CLI. Consultez Utiliser Avala avec l’IA pour vous connecter.

Ce qu’Avala fait des rollouts

Les étapes ci-dessous sont un service qu’Avala réalise dans le cadre du programme. Aucune API n’est à appeler pour elles.

Segmentation. Avala découpe chaque rollout en séquences et en sous-tâches aux changements d’état. Vos événements ancrent les moments de défaillance.
Étiquetage. Chaque séquence reçoit les deux axes de ses métadonnées de séquence : une vérification de validité technique et une étiquette de résultat.
Regroupement. Avala regroupe les défaillances selon ce qui a mal tourné et dans quelles conditions. Les groupes correspondent à une taxonomie des défaillances versionnée pour votre programme. Les nouveaux groupes étendent la taxonomie.
Analyse des écarts. Avala compare les groupes de défaillances avec la couverture de vos données d’entraînement existantes et avec les cohortes d’évaluation.

Le rapport d’écarts

Avala livre un rapport d’écarts pour chaque lot de rollouts.

Section	Contenu
Périmètre	Enregistrements, plage temporelle, versions du modèle et version de la taxonomie.
Taxonomie des défaillances	Chaque mode de défaillance, sa définition et des exemples de séquences.
Distribution	Nombres et taux de défaillances par mode, par version du modèle et par cellule de couverture.
Couverture manquante	Les cellules de couverture derrière chaque mode de défaillance qui manquent dans vos données d’entraînement ou y sont trop peu représentées.
Expériences proposées	Un brouillon d’expérience de capacité par condition de défaillance prioritaire, avec une hypothèse et des cellules cibles.

Vous examinez le rapport d’écarts et choisissez les priorités. Les expériences approuvées deviennent le prochain brief de collecte.

Démarrage

Apprentissage de flotte

Plateforme

Cas d'utilisation

Formats

Envoyer des rollouts comme enregistrements de flotte

Marquer les défaillances et les interventions comme événements

Importer des ROS bags et des jeux de données LeRobot

Importer des journaux d’évaluation

Inspecter les enregistrements et les événements avec le serveur MCP

Ce qu’Avala fait des rollouts

Le rapport d’écarts

​Formats

​Envoyer des rollouts comme enregistrements de flotte

​Marquer les défaillances et les interventions comme événements

​Importer des ROS bags et des jeux de données LeRobot

​Importer des journaux d’évaluation

​Inspecter les enregistrements et les événements avec le serveur MCP

​Ce qu’Avala fait des rollouts

​Le rapport d’écarts

Formats

Envoyer des rollouts comme enregistrements de flotte

Marquer les défaillances et les interventions comme événements

Importer des ROS bags et des jeux de données LeRobot

Importer des journaux d’évaluation

Inspecter les enregistrements et les événements avec le serveur MCP

Ce qu’Avala fait des rollouts

Le rapport d’écarts