> ## 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

> 可视化和标注多传感器自动驾驶数据——摄像头、LiDAR、雷达和 MCAP 录制

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：

<CardGroup cols={2}>
  <Card title="MCAP 回放" icon="play">
    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。
  </Card>

  <Card title="环视摄像头 + LiDAR" icon="camera-cctv">
    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。
  </Card>

  <Card title="GPU 加速 3D" icon="cube">
    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。
  </Card>

  <Card title="时间轴导航" icon="clock">
    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。
  </Card>
</CardGroup>

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。

<Tip>
  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。
</Tip>

### 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](/docs/visualization/mcap-ros/overview)     |
| 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](/docs/visualization/multi-sensor-viewer)      |
| GPU 加速点云      | 使用 6 种可视化模式检查 LiDAR 数据  | [可视化概览](/docs/zh/visualization/overview)                |
| 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](/docs/annotation/guides/tools/cuboid-3d)     |
| 目标跟踪          | 跨帧序列的一致 ID              | [视频标注](/docs/annotation/tutorials/video-annotation)     |
| 折线标注          | 追踪车道、路缘和道路边界            | [折线工具](/docs/annotation/guides/tools/polyline)          |
| 多摄像头投影        | 将 3D 标注投影到摄像头图像         | [多摄像头设置](/docs/visualization/guides/multi-camera-setup) |
| 批量自动标注        | 使用模型预测引导标注              | [批量自动标注](/docs/integrations/batch-auto-labeling)        |
| 质量控制          | 多阶段审核工作流                | [质量控制](/docs/annotation/guides/quality-control)         |
| 云存储           | 连接 S3 存储桶用于大型驾驶数据集      | [云存储](/docs/integrations/cloud-storage)                 |

## 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

<Steps>
  <Step title="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](/docs/integrations/cloud-storage)直接连接您的 S3 存储桶。
  </Step>

  <Step title="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。
  </Step>

  <Step title="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。
  </Step>

  <Step title="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。
  </Step>

  <Step title="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。
  </Step>
</Steps>

## 下一步

<CardGroup cols={2}>
  <Card title="MCAP 和 ROS" icon="robot" href="/docs/visualization/mcap-ros/overview">
    准备和上传多传感器录制的详细指南。
  </Card>

  <Card title="3D 长方体工具" icon="cube" href="/docs/annotation/guides/tools/cuboid-3d">
    如何在点云编辑器中放置、调整和跟踪 3D 长方体。
  </Card>

  <Card title="录制最佳实践" icon="circle-check" href="/docs/visualization/guides/recording-best-practices">
    录制能良好可视化和标注的数据的技巧。
  </Card>

  <Card title="质量控制" icon="shield-check" href="/docs/annotation/guides/quality-control">
    为生产标注设置多阶段审核工作流。
  </Card>
</CardGroup>