> ## 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. # 失败数据接入 > 把运行记录和失败发送给 Avala，以及 Avala 如何把它们转化为失败分类体系和差距报告 循环从您的机器人实际做了什么开始。您发送运行记录，包括失败和干预。Avala 读取它们，找出规律，并告诉您缺少哪些数据。 ## 格式 | 格式 | 如何到达 | | - | - | | MCAP | 机群录制上传，或 `avala import folder --data-type mcap` | | ROS bag（`.bag`、`.db3`） | `avala import rosbag`，或转换为 MCAP 后作为机群录制上传 | | LeRobot 数据集 | 通过 `avala import lerobot` 从 Hugging Face Hub 或本地目录导入 | | 带日志的视频 | 视频通过 `avala import folder --data-type video` 上传。Avala 在计划中将日志与视频对齐。 | | Inspect Robots 评估日志 | `avala import inspect-robots`。参见下文的“导入评估日志”一节。 | MCAP 保留每个 topic，因此能提供最完整的信息。ROS bag 导入器转换摄像头 topic（`sensor_msgs/Image` 和 `sensor_msgs/CompressedImage`），并保留关节状态及其他数值或文本 topic。点云等二进制负载会被跳过。当您需要保留所有 topic 时，请发送 MCAP。 ## 以机群录制形式发送运行记录 每次上传都进入一个已有的机群录制。计划开始时，Avala 为您已注册的设备预置录制。列出它们以找到录制 UID。 ```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` 会续传同一来源中被中断的上传。调用完成表示处理已进入队列。检查 `client.fleet.recordings.get(uid).status`，直到其值为 `ready`。 ## 把失败和干预标记为事件 机群事件为录制中的某个时刻加上标签。标记每次失败和每次干预，让 Avala 能快速找到它们。用 `type` 表示事件类别，用 `metadata` 保存您的技术栈记录的任何信息，例如模型版本和任务。 ```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 ``` 事件 `type` 为 `error`、`warning`、`info`、`state_change`、`anomaly` 或 `custom` 之一。`severity` 为 `info`、`warning`、`error` 或 `critical` 之一。您也可以通过[录制规则](/docs/visualization/fleet/recording-rules.md)自动创建事件。 ## 导入 ROS bag 和 LeRobot 数据集 当运行记录存放在机群之外时，将其作为数据集导入。请先安装对应格式的扩展。 ```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 ``` LeRobot 导入器的详细说明见[导出](/docs/zh/fleet-learning/exports.md)。 ## 导入评估日志 如果您用开源评估工具 [Inspect Robots](https://github.com/robocurve/inspect-robots) 评估策略，可以导入它的 JSON 评估日志。每个试验（一个 epoch 中的一个场景）为一个序列打上[结果标签](/docs/zh/fleet-learning/sequence-metadata.md)。失败的试验成为您可以筛选、审阅并转化为采集工作的序列。 ```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 ``` | Inspect Robots 试验 | 结果 | | - | - | | 成功分数不低于 `--success-threshold`，评分分数不低于 `--expert-threshold` | `expert_success` | | 成功分数不低于 `--success-threshold`，评分分数低于 `--expert-threshold` | `partial_success` | | 成功分数低于 `--success-threshold` | `failure` | | 试验出错或被取消 | `aborted` | | 成功评分器没有给出值 | 不打标签 | 每个导入的标签都将 `source` 设为 `imported`，`evaluation_membership` 设为 `held_out_eval`，`autonomy_level` 设为 `autonomous`。`model_version` 为该次运行的策略。运行的任务成为一个覆盖整个试验的子任务。由人或模型写入的标签会被保留，除非您传入 `--overwrite`。完整的选项列表见 [CLI 参考](/docs/sdks/cli.md#inspect-robots-evaluation-logs)。 ## 通过 MCP 服务器查看录制和事件 MCP 服务器读取机群数据。您可以向助手询问最近的失败，或直接调用以下工具： * `fleet_list_recordings` 和 `fleet_get_recording` 用于录制 * `fleet_list_events`，可按 `recording`、`device`、`type` 或 `severity` 筛选 * `get_fleet_health` 用于获取整个机群的摘要 上传和事件创建通过 SDK 或 CLI 完成。参见[与 AI 一起使用 Avala](/docs/zh/getting-started/mcp.md)进行连接。 ## Avala 如何处理运行记录 以下步骤是 Avala 在计划中提供的服务。它们没有可调用的 API。 1. **分段。** Avala 在状态变化处把每条运行记录拆分为序列和子任务。您的事件锚定失败发生的时刻。 2. **标注。** 每个序列获得其[序列元数据](/docs/zh/fleet-learning/sequence-metadata.md)的两个维度：技术有效性检查和结果标签。 3. **聚类。** Avala 按出了什么问题以及在什么条件下出问题对失败分组。聚类映射到为您的计划建立的带版本号的失败分类体系。新的聚类会扩展该分类体系。 4. **差距分析。** Avala 把失败聚类与您现有训练数据和评估组的覆盖进行比较。 ## 差距报告 Avala 为每批运行记录交付一份差距报告。 | 部分 | 内容 | | - | - | | 范围 | 录制、时间范围、模型版本和分类体系版本。 | | 失败分类体系 | 每种失败模式、其定义和示例序列。 | | 分布 | 按模式、按模型版本和按覆盖单元统计的失败次数和比率。 | | 缺失的覆盖 | 每种失败模式背后、您的训练数据缺少或过于稀薄的[覆盖单元](/docs/zh/fleet-learning/coverage.md)。 | | 建议的实验 | 每个优先失败条件对应一个[能力实验](/docs/zh/fleet-learning/capability-experiments.md)草案，包含假设和目标单元。 | 您审阅差距报告并选择优先级。获批的实验成为下一份采集简报。