> ## 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.
# Véhicules autonomes
> Visualisez et annotez des données AV multi-capteurs — caméras, LiDAR, radar et enregistrements MCAP
Les équipes de véhicules autonomes produisent les jeux de données de capteurs les plus volumineux et les plus complexes de l'industrie. Avala fournit une plateforme unique pour visualiser les enregistrements multi-capteurs bruts, annoter les données d'entraînement de perception et exécuter le contrôle qualité -- sans basculer entre des outils de visualisation et d'étiquetage séparés.
## La visualisation d'abord
Avant d'annoter, les équipes AV doivent explorer et comprendre leurs données. Le visualiseur multi-capteurs d'Avala gère l'ensemble de la pile de capteurs AV :
Téléchargez des enregistrements MCAP de votre flotte de véhicules et rejouez tous les flux de capteurs dans un visualiseur multi-panneaux synchronisé avec 8 types de panneaux.
Visualisez toutes les caméras surround aux côtés des nuages de points LiDAR avec une projection automatique tenant compte de la calibration pour la vérification inter-capteurs.
Rendez les nuages de points LiDAR avec l'accélération WebGPU et 6 modes de visualisation : Neutre, Intensité, Arc-en-ciel, Étiquette, Panoptique et Projection d'image.
Parcourez les journaux de conduite, avancez image par image et sautez à des horodatages spécifiques. Tous les panneaux restent synchronisés à travers les différents taux de capteurs.
Cela signifie que vos ingénieurs peuvent utiliser Avala pour la révision et le débogage des données (remplaçant Foxglove ou Rerun), et votre équipe d'annotation peut étiqueter les mêmes données dans la même interface.
## Types de données
| Capteur | Type de données Avala | Annotation typique |
| ---------------------- | --------------------------------------- | ------------------------------------------------------------------- |
| Caméras avant/surround | Image, Vidéo | Boîtes englobantes 2D, polylignes de voies, masques de segmentation |
| LiDAR | Nuage de points | Cuboïdes 3D avec cap, dimensions et IDs de suivi |
| Radar | MCAP (via les panneaux Nuage de points) | Cuboïdes 3D, marqueurs de détection |
| Fusion multi-capteurs | MCAP | Annotation synchronisée caméra + LiDAR avec projection 3D vers 2D |
## Tâches courantes
### Détection d'objets 3D
Étiquetez les véhicules, piétons, cyclistes et objets statiques avec des cuboïdes 3D dans les nuages de points LiDAR. L'éditeur d'annotation 3D fournit des vues de dessus, en perspective et latérales pour un placement précis des cuboïdes. Les cuboïdes incluent la position complète (x, y, z), les dimensions (longueur, largeur, hauteur) et le cap (lacet).
### Projection multi-caméras
Annotez des cuboïdes 3D dans la vue LiDAR et projetez-les automatiquement sur les images des caméras surround pour vérification visuelle. Le visualiseur supporte les modèles de caméra sténopé et double sphère, la projection fonctionne donc avec les objectifs standard et fisheye.
La projection multi-caméras est l'un des moyens les plus efficaces de vérifier la qualité des annotations 3D. Les erreurs de profondeur et de cap difficiles à repérer dans une vue de dessus deviennent évidentes lorsque le cuboïde est superposé à l'image caméra.
### Annotation de voies et limites de route
Utilisez les outils polylignes pour tracer les marquages de voie, les bordures et les bords de route dans les vues caméra. Les polylignes supportent des segments connectés avec édition au niveau des sommets, les rendant adaptées aux voies courbes et aux intersections complexes.
### Suivi temporel d'objets
Suivez les objets entre les images avec des IDs cohérents pour les modèles de prédiction de mouvement et de prévision de trajectoire. Les IDs d'objets persistent sur la chronologie de la séquence, et la navigation image par image du visualiseur facilite la vérification de la continuité du suivi.
### Classification de scène
Classifiez les conditions de conduite au niveau de la scène -- météo (dégagé, pluvieux, brumeux), heure du jour (jour, crépuscule, nuit), type de route (autoroute, urbain, rural) et densité du trafic. Les étiquettes de classification s'appliquent à l'image entière et peuvent être combinées avec des annotations au niveau de l'objet.
## Fonctionnalités Avala utilisées
| Fonctionnalité | Objectif | En savoir plus |
| ------------------------------ | ------------------------------------------------------------------------ | ----------------------------------------------------------------------- |
| Intégration MCAP / ROS | Ingérer les enregistrements multi-capteurs de votre flotte | [MCAP et ROS](/docs/visualization/mcap-ros/overview) |
| Visualiseur multi-capteurs | Lecture synchronisée des caméras, LiDAR, radar et IMU | [Visualiseur multi-capteurs](/docs/visualization/multi-sensor-viewer) |
| Nuages de points accélérés GPU | Inspecter les données LiDAR avec 6 modes de visualisation | [Aperçu Visualisation](/docs/fr/visualization/overview) |
| Annotation cuboïdes 3D | Étiqueter les objets en 3D avec vues de dessus, perspective et latérales | [Outil Cuboïde 3D](/docs/annotation/guides/tools/cuboid-3d) |
| Suivi d'objets | IDs cohérents entre les séquences d'images | [Annotation vidéo](/docs/annotation/tutorials/video-annotation) |
| Annotation polylignes | Tracer les voies, bordures et limites de route | [Outil Polyligne](/docs/annotation/guides/tools/polyline) |
| Projection multi-caméras | Projeter les annotations 3D sur les images caméra | [Configuration multi-caméras](/docs/visualization/guides/multi-camera-setup) |
| Auto-étiquetage par lots | Amorcer les annotations avec des prédictions de modèle | [Auto-étiquetage par lots](/docs/integrations/batch-auto-labeling) |
| Contrôle qualité | Flux de révision multi-étapes | [Contrôle qualité](/docs/annotation/guides/quality-control) |
| Stockage cloud | Connecter des buckets S3 pour les grands jeux de données de conduite | [Stockage cloud](/docs/integrations/cloud-storage) |
## Pipeline exemple
```
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
```
## Commencer
Créez un jeu de données de type `mcap` et téléchargez les enregistrements MCAP de votre flotte. Pour les grands jeux de données, utilisez [l'intégration de stockage cloud](/docs/integrations/cloud-storage) pour connecter votre bucket S3 directement.
Ouvrez un enregistrement dans le visualiseur multi-capteurs. Vérifiez que les données caméra, LiDAR et de transformation sont présentes. Contrôlez la calibration en activant la projection LiDAR vers caméra.
Créez un projet avec annotation par cuboïdes 3D, définissez votre taxonomie d'étiquettes (véhicule, piéton, cycliste, etc.) et configurez les paramètres de contrôle qualité.
Votre équipe annote les cuboïdes 3D avec des IDs de suivi. Les réviseurs vérifient les annotations en utilisant la projection multi-caméras pour détecter les erreurs de profondeur et de cap.
Exportez les données étiquetées dans votre format préféré. Utilisez le Python SDK ou le TypeScript SDK pour intégrer les exports dans votre pipeline d'entraînement.
## Prochaines étapes
Guide détaillé pour préparer et télécharger des enregistrements multi-capteurs.
Comment placer, ajuster et suivre des cuboïdes 3D dans l'éditeur de nuages de points.
Conseils pour enregistrer des données qui se visualisent et s'annotent bien.
Configurez des flux de révision multi-étapes pour l'annotation en production.