> ## 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. # Приём сбоев > Как отправлять прогоны и сбои в Avala и как Avala превращает их в таксономию сбоев и отчёт о пробелах Цикл начинается с того, что ваши роботы делают на самом деле. Вы отправляете прогоны, включая сбои и вмешательства. Avala читает их, находит закономерности и сообщает, каких данных не хватает. ## Форматы | Формат | Как поступает | | - | - | | MCAP | Загрузка записи флота или `avala import folder --data-type mcap` | | ROS bags (`.bag`, `.db3`) | `avala import rosbag` или конвертация в MCAP и загрузка как записи флота | | Наборы данных LeRobot | `avala import lerobot` из Hugging Face Hub или локальной директории | | Видео с логами | Видео через `avala import folder --data-type video`. Avala выравнивает логи по видео в рамках программы. | | Логи оценки Inspect Robots | `avala import inspect-robots`. См. раздел «Импорт логов оценки» ниже. | MCAP сохраняет все топики, поэтому даёт самую полную картину. Импортёр ROS bag конвертирует топики камер (`sensor_msgs/Image` и `sensor_msgs/CompressedImage`) и сохраняет состояния суставов и другие числовые или текстовые топики. Облака точек и другие двоичные данные пропускаются. Отправляйте MCAP, когда нужно сохранить все топики. ## Отправка прогонов как записей флота Каждая загрузка попадает в существующую запись флота. Avala создаёт записи для ваших зарегистрированных устройств в начале программы. Получите их список, чтобы найти UID записи. ```python Python theme={null} from avala import Client client = Client() # reads AVALA_API_KEY page = client.fleet.recordings.list(device_id="", 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( "", "./rollouts/2026-09-29", ) print(session.uid, session.status) ``` ```bash CLI theme={null} # Preview what will be uploaded avala fleet recordings upload \ --source ./rollouts/2026-09-29 \ --recording \ --dry-run # Upload and wait for server-side processing avala fleet recordings upload \ --source ./rollouts/2026-09-29 \ --recording \ --wait ``` `upload_recording` возобновляет прерванную загрузку того же источника. Завершённый вызов означает, что обработка поставлена в очередь. Проверяйте `client.fleet.recordings.get(uid).status`, пока значение не станет `ready`. ## Отметка сбоев и вмешательств как событий События флота ставят метку на момент в записи. Отмечайте каждый сбой и каждое вмешательство, чтобы Avala быстро их находила. Используйте `type` для класса события и `metadata` для всего, что логирует ваш стек, например версии модели и задачи. ```python Python theme={null} from avala import Client client = Client() event = client.fleet.events.create( recording="", device="", 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": "", "device": "", "type": "state_change", "label": "Operator took over", "timestamp": "2026-09-29T14:03:15Z", "tags": ["intervention"], }, ] ) print(created) ``` ```typescript TypeScript theme={null} import Avala from "@avala-ai/sdk"; const avala = new Avala(); // reads AVALA_API_KEY const event = await avala.fleet.events.create({ recording: "", device: "", 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); ``` ```bash CLI theme={null} avala fleet events create \ --recording \ --device \ --type anomaly \ --label "Plate slipped during placement" \ --timestamp 2026-09-29T14:03:12Z \ --severity warning ``` `type` события принимает одно из значений `error`, `warning`, `info`, `state_change`, `anomaly` или `custom`. `severity` принимает одно из значений `info`, `warning`, `error` или `critical`. События также можно создавать автоматически с помощью [правил записи](/docs/visualization/fleet/recording-rules.md). ## Импорт ROS bags и наборов данных LeRobot Когда прогоны хранятся вне флота, импортируйте их как набор данных. Сначала установите дополнение для нужного формата. ```bash theme={null} 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 ``` Импортёр LeRobot подробно описан в разделе [Экспорты](/docs/ru/fleet-learning/exports.md). ## Импорт логов оценки Если вы оцениваете свою политику с помощью [Inspect Robots](https://github.com/robocurve/inspect-robots), инструмента оценки с открытым исходным кодом, импортируйте его JSON-лог оценки. Каждое испытание, то есть одна сцена в одной эпохе, размечает одну последовательность [меткой результата](/docs/ru/fleet-learning/sequence-metadata.md). Неудачные испытания становятся последовательностями, которые можно фильтровать, проверять и превращать в задачи сбора. ```bash theme={null} 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 ``` | Испытание Inspect Robots | Результат | | - | - | | Оценка успеха не ниже `--success-threshold`, оценка качества не ниже `--expert-threshold` | `expert_success` | | Оценка успеха не ниже `--success-threshold`, оценка качества ниже `--expert-threshold` | `partial_success` | | Оценка успеха ниже `--success-threshold` | `failure` | | Испытание завершилось ошибкой или было отменено | `aborted` | | Оценщик успеха не выдал значения | Не размечается | У каждой импортированной метки `source` равен `imported`, `evaluation_membership` равен `held_out_eval`, а `autonomy_level` равен `autonomous`. `model_version` соответствует политике запуска. Задача запуска становится одной подзадачей, охватывающей всё испытание. Метки, записанные человеком или моделью, сохраняются, если вы не передадите `--overwrite`. Полный список параметров приведён в [справочнике CLI](/docs/sdks/cli.md#inspect-robots-evaluation-logs). ## Просмотр записей и событий через MCP-сервер MCP-сервер читает данные флота. Спросите своего ассистента о недавних сбоях или вызывайте инструменты напрямую: * `fleet_list_recordings` и `fleet_get_recording` для записей * `fleet_list_events` с фильтром по `recording`, `device`, `type` или `severity` * `get_fleet_health` для сводки по всему флоту Загрузки и создание событий выполняются через SDK или CLI. См. [Использование Avala с ИИ](/docs/ru/getting-started/mcp.md), чтобы подключиться. ## Что Avala делает с прогонами Шаги ниже Avala выполняет как услугу в рамках программы. Для них нет API, который нужно вызывать. 1. **Сегментация.** Avala делит каждый прогон на последовательности и подзадачи в точках смены состояния. Ваши события привязывают моменты сбоя. 2. **Разметка.** Каждая последовательность получает обе оси своих [метаданных последовательности](/docs/ru/fleet-learning/sequence-metadata.md): проверку технической валидности и метку результата. 3. **Кластеризация.** Avala группирует сбои по тому, что пошло не так и в каких условиях. Кластеры соотносятся с версионированной таксономией сбоев вашей программы. Новые кластеры расширяют таксономию. 4. **Анализ пробелов.** Avala сравнивает кластеры сбоев с покрытием ваших существующих обучающих данных и оценочных когорт. ## Отчёт о пробелах Avala поставляет отчёт о пробелах для каждого пакета прогонов. | Раздел | Содержание | | - | - | | Область | Записи, временной диапазон, версии модели и версия таксономии. | | Таксономия сбоев | Каждый режим сбоя, его определение и примеры последовательностей. | | Распределение | Число и частота сбоев по режимам, по версиям модели и по ячейкам покрытия. | | Недостающее покрытие | [Ячейки покрытия](/docs/ru/fleet-learning/coverage.md) за каждым режимом сбоя, которых в ваших обучающих данных нет или слишком мало. | | Предлагаемые эксперименты | Один черновой [эксперимент по возможностям](/docs/ru/fleet-learning/capability-experiments.md) на каждое приоритетное условие сбоя, с гипотезой и целевыми ячейками. | Вы изучаете отчёт о пробелах и выбираете приоритеты. Утверждённые эксперименты становятся следующим брифом на сбор данных.