> ## 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.

# Автономные транспортные средства

> Визуализация и аннотация мультисенсорных данных AV — камеры, LiDAR, радар и записи MCAP

Команды автономных транспортных средств генерируют самые большие и сложные наборы сенсорных данных в индустрии. Avala предоставляет единую платформу для визуализации необработанных мультисенсорных записей, аннотации обучающих данных восприятия и контроля качества — без переключения между отдельными инструментами визуализации и разметки.

## Визуализация в первую очередь

Перед аннотацией командам AV необходимо исследовать и понять свои данные. Мультисенсорный просмотрщик Avala работает с полным стеком сенсоров AV:

<CardGroup cols={2}>
  <Card title="Воспроизведение MCAP" icon="play">
    Загружайте записи MCAP с вашего парка транспортных средств и воспроизводите все сенсорные потоки в синхронизированном многопанельном просмотрщике с 8 типами панелей.
  </Card>

  <Card title="Круговые камеры + LiDAR" icon="camera-cctv">
    Просматривайте все круговые камеры вместе с облаками точек LiDAR с автоматической калиброванной проекцией для перекрёстной верификации сенсоров.
  </Card>

  <Card title="GPU-ускоренное 3D" icon="cube">
    Рендеринг облаков точек LiDAR с ускорением WebGPU и 6 режимами визуализации: Нейтральный, Интенсивность, Радуга, Метка, Паноптический и Проекция изображения.
  </Card>

  <Card title="Навигация по таймлайну" icon="clock">
    Прокручивайте журналы поездок, перемещайтесь покадрово и переходите к конкретным временным меткам. Все панели синхронизированы при различных частотах сенсоров.
  </Card>
</CardGroup>

Это означает, что ваши инженеры могут использовать Avala для просмотра и отладки данных (заменяя Foxglove или Rerun), а ваша команда аннотации может размечать те же данные в том же интерфейсе.

## Типы данных

| Сенсор                      | Тип данных Avala                | Типичная аннотация                                          |
| --------------------------- | ------------------------------- | ----------------------------------------------------------- |
| Фронтальные/круговые камеры | Image, Video                    | 2D ограничивающие рамки, полилинии полос, маски сегментации |
| LiDAR                       | Point Cloud                     | 3D-кубоиды с направлением, размерами и ID трекинга          |
| Радар                       | MCAP (через панели Point Cloud) | 3D-кубоиды, маркеры детекции                                |
| Мультисенсорное слияние     | MCAP                            | Синхронная аннотация камер + LiDAR с 3D-в-2D проекцией      |

## Типичные задачи

### 3D-обнаружение объектов

Размечайте транспортные средства, пешеходов, велосипедистов и статические объекты 3D-кубоидами в облаках точек LiDAR. 3D-редактор аннотаций предоставляет виды сверху, в перспективе и сбоку для точного размещения кубоидов. Кубоиды включают полные параметры позиции (x, y, z), размеров (длина, ширина, высота) и направления (yaw).

### Мультикамерная проекция

Аннотируйте 3D-кубоиды в виде LiDAR и автоматически проецируйте их на изображения круговых камер для визуальной верификации. Просмотрщик поддерживает модели камер pinhole и double-sphere, поэтому проекция работает со стандартными и широкоугольными объективами.

<Tip>
  Мультикамерная проекция — один из самых эффективных способов проверки качества 3D-аннотации. Ошибки глубины и направления, которые трудно заметить в виде сверху, становятся очевидными при наложении кубоида на изображение камеры.
</Tip>

### Аннотация полос и границ дороги

Используйте инструменты полилиний для разметки дорожной разметки, бордюров и краёв дороги в видах камер. Полилинии поддерживают соединённые сегменты с редактированием вершин, что делает их подходящими для криволинейных полос и сложных перекрёстков.

### Временной трекинг объектов

Отслеживайте объекты между кадрами с постоянными ID для моделей прогнозирования движения и траекторий. ID объектов сохраняются по таймлайну последовательности, а покадровая навигация просмотрщика упрощает верификацию непрерывности трекинга.

### Классификация сцены

Классифицируйте условия вождения на уровне сцены — погода (ясно, дождь, туман), время суток (день, сумерки, ночь), тип дороги (шоссе, город, сельская местность) и плотность трафика. Метки классификации применяются ко всему кадру и могут сочетаться с аннотациями на уровне объектов.

## Используемые функции Avala

| Функция                          | Назначение                                                    | Подробнее                                                              |
| -------------------------------- | ------------------------------------------------------------- | ---------------------------------------------------------------------- |
| Интеграция MCAP / ROS            | Приём мультисенсорных записей с парка транспортных средств    | [MCAP и ROS](/docs/visualization/mcap-ros/overview)                         |
| Мультисенсорный просмотрщик      | Синхронное воспроизведение камер, LiDAR, радара и IMU         | [Мультисенсорный просмотрщик](/docs/visualization/multi-sensor-viewer)      |
| GPU-ускоренные облака точек      | Инспекция данных LiDAR с 6 режимами визуализации              | [Обзор визуализации](/docs/ru/visualization/overview)                       |
| 3D-аннотация кубоидами           | Разметка объектов в 3D с видами сверху, в перспективе и сбоку | [Инструмент 3D-кубоидов](/docs/annotation/guides/tools/cuboid-3d)           |
| Трекинг объектов                 | Постоянные ID по последовательностям кадров                   | [Видео-аннотация](/docs/annotation/tutorials/video-annotation)              |
| Аннотация полилиниями            | Разметка полос, бордюров и границ дороги                      | [Инструмент полилиний](/docs/annotation/guides/tools/polyline)              |
| Мультикамерная проекция          | Проекция 3D-аннотаций на изображения камер                    | [Настройка мультикамерности](/docs/visualization/guides/multi-camera-setup) |
| Пакетная автоматическая разметка | Начальная разметка предсказаниями модели                      | [Пакетная автоматическая разметка](/docs/integrations/batch-auto-labeling)  |
| Контроль качества                | Многоэтапные рабочие процессы рецензирования                  | [Контроль качества](/docs/annotation/guides/quality-control)                |
| Облачное хранилище               | Подключение S3-бакетов для больших наборов данных вождения    | [Облачное хранилище](/docs/integrations/cloud-storage)                      |

## Пример пайплайна

```
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
```

## Начало работы

<Steps>
  <Step title="Загрузите данные поездок">
    Создайте набор данных с типом `mcap` и загрузите записи MCAP с вашего парка. Для больших наборов данных используйте [интеграцию с облачным хранилищем](/docs/integrations/cloud-storage) для прямого подключения вашего S3-бакета.
  </Step>

  <Step title="Исследуйте в просмотрщике">
    Откройте запись в мультисенсорном просмотрщике. Убедитесь, что данные камер, LiDAR и преобразований присутствуют. Проверьте калибровку, включив проекцию LiDAR на камеру.
  </Step>

  <Step title="Настройте проект аннотации">
    Создайте проект с 3D-аннотацией кубоидами, определите таксономию меток (vehicle, pedestrian, cyclist и т.д.) и настройте параметры контроля качества.
  </Step>

  <Step title="Аннотируйте и рецензируйте">
    Ваша команда аннотирует 3D-кубоиды с ID трекинга. Рецензенты проверяют аннотации с помощью мультикамерной проекции для выявления ошибок глубины и направления.
  </Step>

  <Step title="Экспортируйте и обучайте">
    Экспортируйте размеченные данные в предпочтительном формате. Используйте Python SDK или TypeScript SDK для интеграции экспортов в ваш пайплайн обучения.
  </Step>
</Steps>

## Следующие шаги

<CardGroup cols={2}>
  <Card title="MCAP и ROS" icon="robot" href="/docs/visualization/mcap-ros/overview">
    Подробное руководство по подготовке и загрузке мультисенсорных записей.
  </Card>

  <Card title="Инструмент 3D-кубоидов" icon="cube" href="/docs/annotation/guides/tools/cuboid-3d">
    Как размещать, настраивать и отслеживать 3D-кубоиды в редакторе облаков точек.
  </Card>

  <Card title="Лучшие практики записи" icon="circle-check" href="/docs/visualization/guides/recording-best-practices">
    Советы по записи данных, которые хорошо визуализируются и аннотируются.
  </Card>

  <Card title="Контроль качества" icon="shield-check" href="/docs/annotation/guides/quality-control">
    Настройте многоэтапные рабочие процессы рецензирования для продакшн-аннотации.
  </Card>
</CardGroup>