> ## 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. # Physical AI et informatique spatiale > Construisez des jeux de données d'entraînement pour l'IA incarnée, les jumeaux numériques et les applications d'informatique spatiale Les systèmes Physical AI -- agents incarnés, jumeaux numériques, applications d'informatique spatiale et pipelines de transfert simulation-réel -- nécessitent des données d'entraînement qui capturent la structure 3D des environnements réels. Avala fournit les outils de visualisation et d'annotation dont ces équipes ont besoin : rendu de scènes Gaussian Splat, visualisation de nuages de points accélérée par GPU, lecture multi-capteurs MCAP et outils d'annotation 3D qui fonctionnent directement sur les données spatiales. ## Pourquoi Avala pour le Physical AI Les plateformes d'annotation traditionnelles sont conçues pour les images 2D. Les équipes Physical AI doivent travailler avec des scènes 3D, des nuages de points, des enregistrements multi-capteurs et des reconstructions spatiales. Avala gère tout cela nativement. Chargez des reconstructions de scènes 3D Gaussian Splat dans un visualiseur rendu par WebGPU avec hiérarchie de scène, inspecteur de propriétés et statistiques en temps réel. Naviguez et annotez directement dans l'environnement 3D reconstruit. Rendu de nuages de points accéléré par GPU avec 6 modes de visualisation. Inspectez la structure spatiale, la densité et la couverture des capteurs avec les vues Neutre, Intensité, Arc-en-ciel, Étiquette, Panoptique et Projection d'image. Rejouez les données de capteurs enregistrées des systèmes d'IA incarnée -- caméras, capteurs de profondeur, LiDAR, IMU -- dans un visualiseur multi-panneaux synchronisé. Annotez des cuboïdes 3D, des étiquettes de classification et des attributs d'objets directement sur les nuages de points et les scènes Gaussian Splat sans changer d'outil. ## Types de données | Application | Type de données Avala | Annotation typique | | --------------------------------- | ---------------------- | ------------------------------------ | | Reconstruction de scène | Splat (Gaussian Splat) | Cuboïdes 3D, classification | | Cartographie spatiale | Nuage de points | Cuboïdes 3D, segmentation | | Enregistrements d'agents incarnés | MCAP | Annotation multi-capteurs avec suivi | | Entraînement à la navigation | Nuage de points, MCAP | Cuboïdes 3D, polylignes | | Reconnaissance d'objets | Image, Nuage de points | Boîtes englobantes, cuboïdes 3D | | Génération de jumeaux numériques | Splat, Nuage de points | Classification, attributs d'objets | ## Cas d'usage ### Compréhension de scène pour l'IA incarnée Les agents d'IA incarnée doivent comprendre la structure 3D de leur environnement : où se trouvent les objets, quelles surfaces sont traversables et comment l'espace est organisé. Les visualiseurs de nuages de points et Gaussian Splat d'Avala vous permettent de visualiser les environnements capturés, puis d'annoter les objets, régions et relations spatiales qui entraînent les modèles de compréhension de scène. **Flux de travail :** Capturer l'environnement avec LiDAR ou caméras de profondeur -> télécharger le nuage de points ou la reconstruction Gaussian Splat -> visualiser et inspecter dans le visualiseur 3D -> annoter les objets avec des cuboïdes 3D et des étiquettes de classification -> exporter pour l'entraînement du modèle. ### Reconnaissance d'objets 3D Entraînez des modèles à reconnaître des objets dans l'espace 3D en utilisant des nuages de points annotés et des reconstructions de scènes. L'outil cuboïde 3D permet aux annotateurs de placer des volumes englobants précis autour des objets avec un contrôle complet de la position, des dimensions et du cap. Les attributs de classification ajoutent des métadonnées de catégorie, matériau et état à chaque objet. ### Transfert simulation-réel Les équipes construisant des environnements de simulation ont besoin de données réelles étiquetées pour valider et calibrer leurs simulations. Avala gère le côté réel du pipeline : Enregistrez des données multi-capteurs de l'environnement cible en utilisant votre robot ou montage de capteurs. Utilisez le format MCAP pour les enregistrements multi-capteurs ou PCD/PLY pour les nuages de points autonomes. Téléchargez les reconstructions Gaussian Splat ou les nuages de points bruts. Explorez les données dans les visualiseurs 3D d'Avala pour comprendre la structure de la scène. Étiquetez les objets, régions et relations spatiales que votre simulation doit reproduire avec précision. Exportez les annotations avec des coordonnées 3D précises. Utilisez-les comme vérité terrain pour valider et ajuster les paramètres de votre simulation. ### Annotation de données de jumeaux numériques Les applications de jumeaux numériques ont besoin de données annotées qui cartographient le monde physique vers sa représentation virtuelle. Le visualiseur Gaussian Splat d'Avala est particulièrement utile ici -- il rend des reconstructions de scènes 3D photoréalistes que les annotateurs peuvent naviguer et étiqueter comme s'ils étaient dans l'environnement réel. Le visualiseur fournit : * **Panneau de hiérarchie de scène** -- Parcourez et sélectionnez les objets dans l'arbre de scène * **Inspecteur de propriétés** -- Visualisez et éditez les attributs d'objets * **Statistiques en temps réel** -- Surveillez les performances de rendu * **Annuler/Rétablir** -- Historique d'édition complet pour les corrections d'annotation ### Navigation et planification de chemin Pour les robots et systèmes autonomes qui doivent naviguer dans des espaces physiques, annotez les régions traversables, les obstacles et les points de passage dans les données de nuages de points. Utilisez les polylignes pour définir les chemins et les limites, et les cuboïdes 3D pour marquer les obstacles avec taille et orientation. ## Fonctionnalités Avala utilisées | Fonctionnalité | Objectif | En savoir plus | | --------------------------------- | -------------------------------------------------------------------------- | --------------------------------------------------------------- | | Visualiseur Gaussian Splat | Visualiser et annoter les reconstructions de scènes 3D | [Aperçu Visualisation](/docs/fr/visualization/overview) | | Visualisation de nuages de points | Inspecter les données spatiales avec 6 modes de rendu | [Aperçu Visualisation](/docs/fr/visualization/overview) | | Intégration MCAP / ROS | Ingérer les enregistrements multi-capteurs des systèmes d'IA incarnée | [MCAP et ROS](/docs/visualization/mcap-ros/overview) | | Annotation cuboïdes 3D | Étiqueter les objets dans l'espace 3D avec position et dimensions précises | [Outil Cuboïde 3D](/docs/annotation/guides/tools/cuboid-3d) | | Classification | Étiquettes catégorielles au niveau de la scène et de l'objet | [Outil Classification](/docs/annotation/guides/tools/classification) | | Python SDK | Gestion programmatique des jeux de données et export | [Python SDK](/docs/fr/sdks/python) | | TypeScript SDK | Intégration avec les pipelines Node.js | [TypeScript SDK](/docs/fr/sdks/typescript) | | Stockage cloud | Connecter S3 ou GCS pour les grands jeux de données 3D | [Stockage cloud](/docs/integrations/cloud-storage) | ## Pipeline exemple ``` 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 ``` ## Commencer Utilisez le format Gaussian Splat pour les reconstructions de scènes, PCD/PLY pour les nuages de points bruts, ou MCAP pour les enregistrements multi-capteurs des systèmes incarnés. Créez un jeu de données avec le type de données approprié et téléchargez vos fichiers. Ouvrez-les dans le visualiseur 3D pour explorer les données spatiales. Configurez les classes d'objets et attributs correspondant aux exigences de votre modèle -- catégories d'objets, matériaux, états, relations spatiales. Votre équipe place des cuboïdes 3D et des étiquettes de classification directement dans le nuage de points ou la scène Gaussian Splat. Exportez les annotations avec des coordonnées 3D via l'API ou le SDK. Intégrez dans votre pipeline d'entraînement, simulation ou système de jumeau numérique. ## Prochaines étapes Aperçu complet des capacités de visualisation d'Avala, incluant les visualiseurs Gaussian Splat et nuages de points. Comment annoter des objets en 3D avec un contrôle précis de la position, des dimensions et du cap. Formats supportés et exigences de téléchargement pour Splat, Nuage de points, MCAP et autres types de données. Accès programmatique pour gérer les jeux de données, créer des projets et exporter les annotations.