跳转到主要内容

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.

自动驾驶团队产生业界最大和最复杂的传感器数据集。Avala 提供一个平台来可视化原始多传感器录制、标注感知训练数据并运行质量控制——无需在独立的可视化和标注工具之间切换。

​
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。
这意味着您的工程师可以使用 Avala 进行数据审查和调试（替代 Foxglove 或 Rerun），标注团队可以在同一界面中标注相同的数据。

​
数据类型

传感器Avala 数据类型典型标注
前向/环视摄像头图像、视频2D 边界框、车道折线、分割蒙版
LiDAR点云带朝向、尺寸和跟踪 ID 的 3D 长方体
雷达MCAP（通过点云面板）3D 长方体、检测标记
多传感器融合MCAP带 3D 到 2D 投影的同步摄像头 + LiDAR 标注

​
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。
多摄像头投影是验证 3D 标注质量最有效的方式之一。在俯视图中难以发现的深度和朝向错误，在长方体叠加到摄像头图像上时变得显而易见。

​
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

功能用途了解更多
MCAP / ROS 集成从车队摄取多传感器录制MCAP 和 ROS
多传感器查看器摄像头、LiDAR、雷达和 IMU 的同步回放多传感器查看器
GPU 加速点云使用 6 种可视化模式检查 LiDAR 数据可视化概览
3D 长方体标注在鸟瞰、透视和侧视图中标注 3D 对象3D 长方体工具
目标跟踪跨帧序列的一致 ID视频标注
折线标注追踪车道、路缘和道路边界折线工具
多摄像头投影将 3D 标注投影到摄像头图像多摄像头设置
批量自动标注使用模型预测引导标注批量自动标注
质量控制多阶段审核工作流质量控制
云存储连接 S3 存储桶用于大型驾驶数据集云存储

​
示例管道

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

​
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。