> ## 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.

# カバレッジ

> すべての納品に含まれるカバレッジセル、集中度の上限、重複チェック、シーンのリアリズム基準、カバレッジレポート

同じ部屋と同じ動作の時間を増やしても、得られるものはわずかです。カバレッジは、モデルが学ぶ内容を変える次元にわたって、Avala が多様性を計画し証明する方法です。

## カバレッジセル

カバレッジセルは、6 つの次元の 1 つの組み合わせです。

| 次元 | 例 |
| - | - |
| 環境 | ギャレーキッチン、ランドリールーム、寝室、ガレージ、ホテルの部屋 |
| 機構 | 引き出し式の食器洗い機ラック、フレンチドア冷蔵庫、縦型洗濯機、コードレスケトルの台座 |
| 素材 | 濡れた陶器、柔らかい袋、たたんだ綿、硬いプラスチック容器 |
| インタラクションプリミティブ | 開ける、つかむ、注ぐ、置く、たたむ、差し込む、留める |
| 失敗モード | 滑りと持ち直し、配置ミス、障害物との衝突、なし |
| 身体性 | 人間の一人称視点、シングルアーム、バイマニュアルアーム、モバイルマニピュレーター |

承認では、各キャプチャのセルの値が記録されます。MCP ツール `get_campaign_acceptance_coverage` は、承認済みキャプチャ全体でカバーが不足している値を報告します。ブリーフはセルごとの目標承認済み時間を設定します。[能力実験](/docs/ja/fleet-learning/capability-experiments.md)は対象とするセルを列挙します。

Avala は、26 のタスクファミリーに分類された 175 のワークフローからなる公開[カタログ](https://avala.ai/coverage/catalog)をもとに収集を計画します。

## 集中度の上限

ブリーフは、1 つの値が占められる承認済み時間の最大割合を設定します。典型的な上限は次の対象に適用されます：

* 1 つの場所
* 1 人のオペレーター
* 1 つの家電または機構のユニット
* 1 つのカバレッジセル
* 繰り返しの拭き取りなど、多様性の低い動作

Avala はすべての納品で集中度を測定します。値を上限より上に押し上げるシーケンスは保留され、報告されます。

## 重複チェック

Avala はすべてのシーケンスの動画コンテンツのフィンガープリントを取ります。重複チェックは 3 段階で実行されます：

1. **完全一致ファイル。** 同一のファイルをハッシュで検出します。
2. **コンテンツフィンガープリント。** 同じ映像を再エンコード、トリミング、クロップしたコピーを、フィンガープリントの一致で検出します。
3. **類似性レビュー。** 同じ場所と同じセットアップからのほぼ同一のシーンに、レビュアー向けのフラグを付けます。

ブリーフには、各納品を何と比較するかが記載されます。比較対象は、その納品自体、以前の納品、またはお客様が提供する参照映像です。フィンガープリントはバージョン管理されます。カバレッジレポートには、検索に使ったバージョンと範囲が記載されます。

## シーンのリアリズム基準

Avala は、実際の部屋で行われる実際の家事を収集します。この基準には 4 つのルールがあります。

* **普通の邪魔な物を残す。** 郵便物、スマートフォン、隣にある食料品など、関係のない安全な物を視野に残します。ボウルを 1 つ動かすためにテーブル全体を片付ける人はいません。
* **意味のある作業をキャプチャする。** 自然なペースと、家庭での実際の目的を使います。それ自体が目的のスローモーション、拭き取りの繰り返し、人工的にこぼしたもの、演出された山積みは基準に合格しません。
* **環境全体を変える。** 家、レイアウト、オペレーター、家電にわたって収集を分散させます。道具を 1 つ入れ替えたり、同じ動作に別のラベルを付けたりしても、新しい環境にはなりません。
* **目的のある配置は認める。** 机を元に戻すといった実際の依頼は有効です。開始状態、目標、結果を記録します。タスクを始めるために散らかった状態を作ってはいけません。

邪魔な物を視野に残すのは、同意、プライバシー、安全が許す場合に限ります。

## カバレッジレポート

各納品にはカバレッジレポートが付属します。ブリーフは、収集開始前にレポートのフィールド、定義、しきい値を確定します。

| セクション | 内容 |
| - | - |
| 環境と人 | 仮名の場所 ID と収集者 ID。ID ごとの時間とシーケンス数。部屋の種類、レイアウト、上限に対する集中度。 |
| 家電のエビデンス | 現地で確認した家電カテゴリ、形式、操作部。家電と設定ごとのカバレッジ。 |
| タスクと動作のカバレッジ | ワークフロー。物体、サブタスク、インタラクションプリミティブ。開始状態と終了状態。多様性の低い動作の割合。 |
| カバレッジセル | セルごとの、目標に対する承認済み時間。空のセルと薄いセルの一覧。 |
| 自然さと動き | ペース、目的のある動き、繰り返しのループ、演出された状況のレビュー。キャリブレーション用の承認例と却下例。 |
| 重複と類似性 | 完全一致ファイル、フィンガープリント、類似性の結果。フィンガープリントのバージョンと比較範囲。 |
| 権利と承認 | キャプチャの来歴と同意の記録。承認済み時間、却下された時間、[却下理由](/docs/ja/fleet-learning/accepted-hour.md)。メタデータスキーマのバージョン。 |

納品前に、Avala は測定した構成をブリーフと比較します。レポートには、比率が過剰な場所、オペレーター、家電、動作が、欠けているセルと並べて記載されます。

## MCP サーバーでカバレッジを読み取る

MCP ツール `get_campaign_acceptance_coverage` は、キャプチャキャンペーンプロジェクトについて、軸の値ごとの承認済みキャプチャ数を返します。`axes` にカンマ区切りのリストを渡して軸を選択します。数の少ない値は、キャンペーンが薄い部分を示します。アシスタントの接続方法は[AI で Avala を使う](/docs/ja/getting-started/mcp.md)をご覧ください。