Apprentissage de flotte
Transformez chaque échec de votre flotte en données dont votre modèle a besoin ensuite.
Avala pilote la boucle autour de votre modèle. Nous ingérons vos exécutions, repérons où le modèle échoue, capturons les données qui comblent l’écart et évaluons la version suivante sur des scènes réelles qu’il n’a jamais vues. Vous entraînez le modèle, vous en êtes propriétaire et vous décidez quand il est livré.
Fleet Learning Infrastructure pour la Physical AGI
La boucle
Sept étapes, et un dossier pour chaque cycle.
Chaque cycle commence par ce qu’a fait votre flotte et se termine par une version que vous choisissez de livrer. Avala mène cinq des étapes. L’entraînement et la décision de livraison restent entre vos mains.
Observer
Assuré par Avala
Vos robots enregistrent des exécutions. Avala ingère les vidéos et les journaux avec leur contexte d’appareil, d’enregistrement et d’événement.
Diagnostiquer
Assuré par Avala
Avala segmente chaque exécution, regroupe les échecs dans une taxonomie des échecs et associe chaque groupe à des cellules de couverture.
Évaluer
Assuré par Avala
Le modèle actuel est évalué sur des scènes réelles tenues à l’écart, afin de mesurer le point de départ avant tout changement.
Acquérir
Assuré par Avala
Un cahier des charges de collecte devient une campagne de capture : quelles tâches, quels logements ou lieux de travail, quels objets et combien de séquences.
Entraîner
Assuré par vous
Vous entraînez sur la nouvelle version du jeu de données avec votre propre code et votre propre puissance de calcul. Avala conserve la traçabilité de la séquence à la version.
Valider
Assuré par Avala
Avala évalue le nouveau modèle sur la même cohorte tenue à l’écart et présente les deux versions côte à côte, avec des intervalles de confiance.
Publier
Assuré par vous
Vous décidez si le modèle est livré. La décision et ses preuves rejoignent le dossier du cycle suivant.
Le dossier
Une expérience de capacité relie chaque cycle.
Chaque cycle est consigné comme une expérience de capacité. Elle nomme ce que l’équipe veut améliorer et rassemble les preuves en un seul endroit, afin que chaque résultat remonte aux données et à la décision qui le sous-tendent.
- Version du modèle
- Le modèle exécuté par la flotte lorsque l’échec est apparu.
- Condition d’échec
- Le comportement défaillant, nommé selon la taxonomie des échecs.
- Hypothèse
- Ce que l’équipe attend des nouvelles données, consigné avant le début de la collecte.
- Cellules de couverture
- Les tâches, environnements et objets que les nouvelles données doivent couvrir.
- Campagne de capture
- La campagne qui a collecté les séquences, avec ses critères d’acceptation.
- Version du jeu de données
- Le jeu de données versionné sur lequel le modèle a été entraîné.
- Cohorte d’évaluation
- Les scènes tenues à l’écart utilisées pour évaluer les deux versions du modèle.
- Résultat
- Ce que l’évaluation a mesuré, avec des intervalles de confiance.
- Prochaine allocation
- Où va la prochaine série de collecte, et pourquoi.
Diagnostic
De la vidéo d’exécution au cahier des charges de collecte.
Envoyez vos échecs
Envoyez les vidéos et journaux d’exécution sous forme de fichiers MCAP, de bags ROS ou de jeux de données LeRobot. Avala découpe chaque séquence en sous-tâches et repère le moment où elle a échoué.
Lisez le rapport d’écarts
Les échecs sont regroupés dans une taxonomie des échecs et associés à des cellules de couverture. Le rapport montre quelles cellules sont peu fournies, lesquelles échouent le plus souvent et lesquelles vos données n’ont jamais couvertes.
Approuvez le cahier des charges
Avala propose un cahier des charges de collecte avec les tâches, environnements, objets, nombres de séquences et critères d’acceptation. Votre équipe l’approuve avant le début de la capture.
Chaque séquence
Deux notes distinctes pour chaque séquence.
Un enregistrement peut être techniquement parfait et montrer pourtant une tâche échouée. Avala note les deux séparément, afin qu’un défaut de capteur ne masque jamais une erreur utile.
Validité technique
- Intégrité des capteurs
- Synchronisation temporelle
- Étalonnage
- Visibilité des mains et des objets
- Confidentialité
- Métadonnées complètes
Résultat comportemental
- Réussite experte
- Réussite partielle
- Erreur et rattrapage
- Intervention humaine
- Dangereux ou interrompu
- Stratégie nouvelle
Les échecs rattrapables sont étiquetés et livrés dans leur propre catégorie. Ils montrent à un modèle comment se remettre sur la bonne voie, c’est pourquoi Avala les conserve.
Métadonnées des séquences
Ce qui accompagne chaque séquence.
- Étiquette de résultat pour les deux notes
- Limites des sous-tâches avec une description en langage naturel de chaque étape
- Notes de qualité et de vitesse
- Segments d’erreur et de rattrapage
- IDs du dispositif de capture et d’étalonnage
- Groupes de fuite par logement, objet et opérateur
Les groupes de fuite vous permettent de séparer les ensembles d’entraînement et de test afin qu’un même logement, objet ou opérateur n’apparaisse jamais des deux côtés.
Produit
Construit sur un produit utilisable dès aujourd’hui.
Flotte
Appareils, enregistrements, événements, règles et alertes pour chaque robot qui transmet ses données.
Campagnes de capture
Des campagnes qui définissent quoi collecter et vérifient chaque envoi par rapport au cahier des charges.
Contrôle qualité
Critères d’acceptation, objectifs de qualité, notation par consensus et contrôles de chevauchement par empreinte vidéo.
Visualiseur et reconstruction 4D
Le visualiseur MCAP et la reconstruction 4D par Gaussian splatting pour inspecter n’importe quelle séquence dans sa scène.
Serveur MCP et SDK
Interrogez les enregistrements de la flotte, les campagnes de capture, la couverture d’acceptation et le consensus depuis vos agents et votre code, en Python ou TypeScript.
Export LeRobot
Exportez une version du jeu de données au format LeRobot depuis le SDK Python ou la ligne de commande, prête pour votre code d’entraînement.
La place d’Avala
Le modèle vous appartient. Avala gère l’infrastructure en dessous.
Avala est dans la couche d’infrastructure, juste sous le modèle du client. Nous ne construisons pas de robots, ne possédons pas le modèle du client, ne vendons pas de puissance de calcul et ne fabriquons pas de puces. Nous construisons l’infrastructure de données et d’apprentissage par laquelle le propre modèle du client apprend de sa propre flotte.
Commencer
Apportez un mode d’échec. Repartez avec un cahier des charges.
Lors d’une session de travail, nous examinons vos exécutions, nommons l’échec que vous voulez corriger en priorité et rédigeons le premier cahier des charges de collecte et la première cohorte d’évaluation.