Aprendizaje de flota
Convierta cada fallo de su flota en los datos que su modelo necesita a continuación.
Avala gestiona el ciclo alrededor de su modelo. Ingerimos sus ejecuciones, encontramos dónde falla el modelo, capturamos los datos que cubren esa carencia y puntuamos la siguiente versión en escenas reales que nunca ha visto. Usted entrena el modelo, es su propietario y decide cuándo se publica.
Fleet Learning Infrastructure para Physical AGI
El ciclo
Siete pasos y un registro para cada ciclo.
Cada ciclo empieza con lo que hizo su flota y termina con una versión que usted decide publicar. Avala ejecuta cinco de los pasos. El entrenamiento y la decisión de publicación quedan en sus manos.
Observar
A cargo de Avala
Sus robots graban ejecuciones. Avala ingiere los vídeos y registros con su contexto de dispositivo, grabación y eventos.
Diagnosticar
A cargo de Avala
Avala segmenta cada ejecución, agrupa los fallos en una taxonomía de fallos y asigna cada grupo a celdas de cobertura.
Evaluar
A cargo de Avala
El modelo actual se puntúa en escenas reales reservadas, así el punto de partida queda medido antes de cambiar nada.
Adquirir
A cargo de Avala
Un plan de recolección se convierte en una campaña de captura: qué tareas, qué hogares o lugares de trabajo, qué objetos y cuántas secuencias.
Entrenar
A cargo de usted
Usted entrena con la nueva versión del conjunto de datos, con su propio código y cómputo. Avala conserva la trazabilidad desde la secuencia hasta la versión.
Validar
A cargo de Avala
Avala puntúa el nuevo modelo en la misma cohorte reservada y presenta ambas versiones lado a lado, con intervalos de confianza.
Publicar
A cargo de usted
Usted decide si el modelo se publica. La decisión y su evidencia se incorporan al registro del siguiente ciclo.
El registro
Un experimento de capacidad une cada ciclo.
Cada ciclo queda documentado como un experimento de capacidad. Indica lo que el equipo quiere mejorar y reúne la evidencia en un solo lugar, de modo que cualquier resultado se remonta a los datos y a la decisión que lo respaldan.
- Versión del modelo
- El modelo que ejecutaba la flota cuando apareció el fallo.
- Condición de fallo
- El comportamiento que salió mal, nombrado según la taxonomía de fallos.
- Hipótesis
- Lo que el equipo espera que cambien los nuevos datos, escrito antes de que empiece la recolección.
- Celdas de cobertura
- Las tareas, entornos y objetos que deben cubrir los nuevos datos.
- Campaña de captura
- La campaña que recogió las secuencias, con sus criterios de aceptación.
- Versión del conjunto de datos
- El conjunto de datos versionado con el que se entrenó el modelo.
- Cohorte de evaluación
- Las escenas reservadas que se usan para puntuar ambas versiones del modelo.
- Resultado
- Lo que midió la evaluación, con intervalos de confianza.
- Próxima asignación
- Hacia dónde va la siguiente ronda de recolección, y por qué.
Diagnóstico
Del vídeo de una ejecución a un plan de recolección.
Envíe sus fallos
Envíe vídeos y registros de ejecuciones como archivos MCAP, bags de ROS o conjuntos de datos LeRobot. Avala divide cada secuencia en subtareas y localiza el punto en el que algo salió mal.
Lea el informe de carencias
Los fallos se agrupan en una taxonomía de fallos y se asignan a celdas de cobertura. El informe muestra qué celdas tienen pocos datos, cuáles fallan con más frecuencia y cuáles sus datos nunca han cubierto.
Apruebe el plan
Avala propone un plan de recolección con tareas, entornos, objetos, número de secuencias y criterios de aceptación. Su equipo lo aprueba antes de que empiece la captura.
Cada secuencia
Dos calificaciones independientes en cada secuencia.
Una grabación puede ser técnicamente perfecta y aun así mostrar una tarea fallida. Avala califica ambos aspectos por separado, para que un fallo de sensor nunca oculte un error útil.
Validez técnica
- Integridad de los sensores
- Sincronización temporal
- Calibración
- Visibilidad de manos y objetos
- Privacidad
- Metadatos completos
Resultado de comportamiento
- Éxito experto
- Éxito parcial
- Error y recuperación
- Intervención
- Inseguro o abortado
- Estrategia nueva
Los fallos recuperables se etiquetan y se entregan como una línea propia. Muestran a un modelo cómo volver al buen camino, por eso Avala los conserva.
Metadatos de la secuencia
Lo que se entrega con cada secuencia.
- Etiqueta de resultado en ambas calificaciones
- Límites de subtareas con una descripción en lenguaje natural de cada paso
- Calificaciones de calidad y velocidad
- Segmentos de error y recuperación
- IDs de equipo de captura y de calibración
- Grupos de fuga por hogar, objeto y operador
Los grupos de fuga le permiten dividir los conjuntos de entrenamiento y de prueba de modo que el mismo hogar, objeto u operador nunca aparezca en ambos lados.
Producto
Construido sobre un producto que puede usar hoy.
Flota
Dispositivos, grabaciones, eventos, reglas y alertas para cada robot que envía datos.
Campañas de captura
Campañas que definen qué recoger y comprueban cada envío frente al plan.
Control de calidad
Criterios de aceptación, objetivos de calidad, puntuación por consenso y controles de solapamiento mediante huellas de vídeo.
Visor y reconstrucción 4D
El visor MCAP y la reconstrucción 4D con Gaussian splats para inspeccionar cualquier secuencia en su escena.
Servidor MCP y SDKs
Consulte grabaciones de la flota, campañas de captura, cobertura de aceptación y consenso desde sus agentes y su código, en Python o TypeScript.
Exportación a LeRobot
Exporte una versión del conjunto de datos en formato LeRobot desde el SDK de Python o la línea de comandos, lista para su código de entrenamiento.
Dónde se sitúa Avala
Usted es dueño del modelo. Avala gestiona la infraestructura que lo sostiene.
Avala está en la capa de infraestructura, justo debajo del modelo del cliente. No construimos robots, no poseemos el modelo del cliente, no vendemos cómputo ni fabricamos chips. Construimos la infraestructura de datos y aprendizaje mediante la cual el propio modelo del cliente aprende de su propia flota.
Empezar
Traiga un modo de fallo. Llévese un plan.
En una sesión de trabajo revisamos sus ejecuciones, nombramos el fallo que más quiere corregir y redactamos el primer plan de recolección y la primera cohorte de evaluación.