01
Impulsado por software
Tus equipos de ingeniería y operaciones usan Mission Control, APIs y SDKs para ejecutar el ciclo internamente.
Fleet Learning Infrastructure para Physical AGI
Una plataforma bajo cada etapa de su ciclo de aprendizaje de flota.
Avala es infraestructura independiente bajo su modelo. Observe su flota, diagnostique sus fallos, evalúe cada versión del modelo, adquiera los datos que cierran la carencia, valídelos y publique conjuntos de datos versionados. Usted entrena el modelo y decide cuándo se lanza.
Creado para robótica, vehículos autónomos e IA corpórea.
MCAP + ROS
LiDAR + nubes de puntos
Vídeo multicámara
Telemetría + trayectorias
El ciclo de aprendizaje de flota
Siete etapas, cada una con el producto para ejecutarla.
Avala ejecuta cinco etapas. Usted entrena el modelo con su propio código y cómputo, y decide cuándo se lanza. Un único registro une todas las etapas, así que cualquier resultado se remonta a los datos que lo produjeron.
Observar
A cargo de AvalaVea lo que hizo su flota. Las grabaciones llegan con el contexto de su dispositivo, eventos y alertas, y puede abrir cualquier secuencia en su escena.
- Dispositivos, grabaciones y eventos de la flota
- Reglas y alertas
- Visor MCAP
- Renderizado 3D y con Gaussian splats
Diagnosticar
A cargo de AvalaEncuentre dónde falla el modelo y por qué. Avala agrupa los fallos, comprueba su solapamiento y los asigna a las celdas de cobertura que faltan en sus datos.
- Búsqueda en grabaciones y secuencias
- Controles de solapamiento y huellas de vídeo
- Agrupación de fallos en una taxonomía de fallos
- Informes de carencias asignados a celdas de cobertura
Evaluar
A cargo de AvalaPuntúe el modelo actual en escenas reales reservadas antes de cambiar nada, para que cada resultado posterior tenga una referencia.
- Escenas reservadas, nunca publicadas para entrenamiento
- Controles de contaminación versionados
- Prepuntuación de visión y lenguaje con auditoría humana
- Informes con intervalos de confianza
Adquirir
A cargo de AvalaConvierta la carencia en una campaña de captura. Un plan aprobado define las tareas, los lugares, los objetos y el número de secuencias, y el estándar de cobertura marca el listón.
- Campañas de captura a partir de un plan aprobado
- Equipo gestionado para captura y etiquetado
- Celdas de cobertura del catálogo de 175 flujos de trabajo
- Un informe de cobertura con cada entrega
Entrenar
A cargo de ustedUsted 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.
- SDK de Python y TypeScript
- Carga de datos en PyTorch
- Exportación a LeRobot
Validar
A cargo de AvalaCompruebe cada secuencia frente al plan antes de que llegue a una versión. La validez técnica y el resultado de comportamiento se califican por separado.
- Criterios de aceptación para cada campaña
- Objetivos de calidad
- Puntuación por consenso
- Etiquetas de resultado y de recuperación
Publicar
A cargo de ustedUsted decide cuándo se lanza el modelo. Los datos que lo respaldan son una versión con sus subconjuntos, exportaciones y trazabilidad completa.
- Conjuntos de datos versionados y subconjuntos
- Exportaciones, incluido el formato LeRobot
- Trazabilidad desde la captura hasta la versión
- SDK y el servidor MCP alojado
Tras Publicar, el ciclo vuelve a Observar con la flota ejecutando el nuevo modelo.
Los permisos y los registros de auditoría se aplican en cada etapa.Seguridad
Ejecución adaptable
Un plano de control. Cualquier modelo operativo.
Usa Avala con tu propio equipo, añade capacidad gestionada cuando el criterio o el rendimiento sean limitantes, o combina ambos sin cambiar el sistema de registro.
02
Ejecución gestionada
Añade capacidad especializada para la recopilación, el etiquetado y la revisión, mientras el flujo de trabajo, las políticas y la calidad permanecen visibles en Avala.
03
Híbrido desde el diseño
Mantén las decisiones de dominio en manos de tus expertos y escala el trabajo repetible mediante Avala sin añadir otro traspaso.
Construye el ciclo
Haz que cada dataset mejore el siguiente modelo.
Muéstranos tu stack de sensores, tu flujo de entrenamiento y tu mayor cuello de botella de datos. Trazaremos la ruta más corta hacia un ciclo repetible de mejora de modelos.