Skip to main content
Avala는 Physical AGI를 위한 Fleet Learning Infrastructure입니다. 모든 플릿은 자신의 경험에서 배워야 합니다. Avala는 모델 아래의 인프라 계층에 있습니다. 모델을 학습하고 소유하는 것은 고객입니다. Avala는 모델을 둘러싼 루프를 운영합니다: 평가, 실패 진단, 수집, 검증, 릴리스. 이 섹션은 플릿 학습 프로그램을 설명합니다. 루프, Avala가 보관하는 기록, Avala가 제공하는 스키마, 고객이 받는 리포트를 다룹니다.

루프

각 사이클은 플릿이 실제 환경에서 하는 일에서 시작하고, 학습에 쓸 수 있는 릴리스로 끝납니다.
1

관찰

로봇이 작동합니다. 롤아웃, 개입, 실패가 플릿 녹화와 이벤트로 Avala에 들어옵니다. 실패 수집을 참조하세요.
2

진단

Avala는 롤아웃을 분할하고, 실패를 실패 분류 체계로 클러스터링하고, 갭 리포트를 작성합니다.
3

평가

Avala는 현재 모델 버전을 홀드아웃 실제 환경 평가 장면에서 점수화합니다. 평가를 참조하세요.
4

수집

Avala는 갭 리포트가 요구하는 데이터를 수집합니다. 각 배치는 특정 커버리지 셀을 목표로 하며, 승인된 시간만 집계합니다.
5

학습

고객이 릴리스로 모델을 학습합니다. 학습은 고객 쪽에서 진행됩니다.
6

검증

Avala는 같은 홀드아웃 장면에서 새 모델 버전을 다시 평가하고, 실패 모드별 변화를 보고합니다.
7

릴리스

Avala는 시퀀스 메타데이터와 학습용 내보내기를 포함한, 버전이 지정되고 권리가 확보된 데이터셋 릴리스를 게시합니다.
8

관찰

새 모델이 플릿으로 돌아갑니다. 그 롤아웃이 다음 사이클을 시작합니다.

역할 분담

모델이 무엇을 배우고 언제 배포될지는 고객이 결정합니다. Avala는 각 결정에 필요한 근거와 데이터를 제공합니다.

프로그램 진행 방식

모든 프로그램은 같은 다섯 단계를 따릅니다. 각 단계는 직접 검토할 수 있는 결과물을 만듭니다.
  1. 실패. 모델이 실패했거나 도움이 필요했던 롤아웃을 보냅니다. Avala는 이를 플릿 녹화와 이벤트로 읽습니다.
  2. 갭 리포트. Avala는 실패를 실패 모드별로 묶고, 빠졌거나 부족한 커버리지 셀을 지정합니다.
  3. 브리프. Avala는 갭 리포트를 수집 브리프로 바꿉니다. 브리프에는 목표 커버리지 셀, 집중도 한도, 승인 기준, 평가 코호트가 나열됩니다. 고객이 이를 승인합니다.
  4. 배치. Avala는 배치를 수집하고 검토합니다. 각 납품에는 커버리지 리포트와 시퀀스별 메타데이터가 함께 제공됩니다.
  5. 재평가. Avala는 다음 모델 버전을 홀드아웃 장면에서 점수화합니다. 역량 리포트는 무엇이 바뀌었는지 보여주고 다음 배분을 정합니다.
갭 리포트, 브리프, 역량 리포트는 프로그램의 일부로 제공됩니다. 그 바탕이 되는 플릿 녹화, 캡처 캠페인, 데이터셋, 슬라이스 같은 객체는 SDK와 MCP 서버로 읽을 수 있습니다. Avala는 각 사이클을 역량 실험으로 추적합니다. 이 기록은 모델 버전, 실패, 데이터, 결과를 연결합니다.

이 섹션의 내용

역량 실험

실패를 그 실패를 위해 수집한 데이터와 측정된 결과에 연결하는 기록입니다.

시퀀스 메타데이터 스키마

모든 시퀀스의 결과 라벨, 기술적 유효성을 보고하는 방식, 그리고 둘을 읽고 내보내는 방법.

승인된 시간

Avala가 납품하는 단위와 Avala가 보고하는 거부 사유.

커버리지

커버리지 셀, 집중도 한도, 중복 검사, 커버리지 리포트.

평가

홀드아웃 장면, 점수화, 지표, 역량 리포트.

실패 수집

SDK, CLI, MCP 서버로 롤아웃과 실패를 보냅니다.

내보내기

LeRobot 가져오기와 내보내기, 각 릴리스에 포함되는 항목.