先可视化
在标注之前，自动驾驶团队需要探索和理解数据。Avala 的多传感器查看器处理完整的自动驾驶传感器栈：MCAP 回放
从车队上传 MCAP 录制并在支持 8 种面板类型的同步多面板查看器中回放所有传感器流。
环视摄像头 + LiDAR
查看所有环视摄像头以及 LiDAR 点云，支持自动标定感知投影进行跨传感器验证。
GPU 加速 3D
使用 WebGPU 加速和 6 种可视化模式渲染 LiDAR 点云：中性、强度、彩虹、标签、全景和图像投影。
时间轴导航
滚动浏览行车日志、逐帧步进并跳转到特定时间戳。所有面板在不同传感器速率下保持同步。
数据类型
常见任务
3D 目标检测
在 LiDAR 点云中使用 3D 长方体标注车辆、行人、骑行者和静态物体。3D 标注编辑器提供鸟瞰、透视和侧视图以精确放置长方体。长方体包含完整的位置（x、y、z）、尺寸（长、宽、高）和朝向（偏航角）参数。多摄像头投影
在 LiDAR 视图中标注 3D 长方体并自动投影到环视摄像头图像上进行视觉验证。查看器支持针孔和双球面摄像头模型，因此投影适用于标准和鱼眼镜头。车道和道路边界标注
使用折线工具在摄像头视图中追踪车道标线、路缘和道路边缘。折线支持带顶点级编辑的连接线段，适用于弯曲车道和复杂路口。时间目标跟踪
使用一致的 ID 跨帧跟踪对象，用于运动预测和轨迹预测模型。对象 ID 在序列时间轴中保持一致，查看器的逐帧导航使验证跟踪连续性变得简单。场景分类
在场景级别分类驾驶条件——天气（晴天、雨天、雾天）、时间段（白天、黄昏、夜间）、道路类型（高速公路、城市、乡村）和交通密度。分类标签适用于整个帧，可与对象级标注结合使用。使用的 Avala 功能
示例管道
开始使用
1
上传驾驶数据
创建
mcap 数据类型的数据集并从车队上传 MCAP 录制。对于大型数据集，使用云存储集成直接连接您的 S3 存储桶。2
在查看器中探索
在多传感器查看器中打开录制。验证摄像头、LiDAR 和变换数据是否存在。通过启用 LiDAR 到摄像头投影检查标定。
3
设置标注项目
创建 3D 长方体标注项目，定义标签分类体系（车辆、行人、骑行者等），并配置质量控制设置。
4
标注和审核
您的团队使用跟踪 ID 标注 3D 长方体。审核员使用多摄像头投影验证标注以捕获深度和朝向错误。
5
导出和训练
以首选格式导出已标注数据。使用 Python 或 TypeScript SDK 将导出集成到训练管道中。
下一步
MCAP 和 ROS
准备和上传多传感器录制的详细指南。
3D 长方体工具
如何在点云编辑器中放置、调整和跟踪 3D 长方体。
录制最佳实践
录制能良好可视化和标注的数据的技巧。
质量控制
为生产标注设置多阶段审核工作流。