01
Piloté par le logiciel
Vos ingénieurs et opérateurs utilisent Mission Control, APIs et SDKs pour exécuter la boucle en interne.
Fleet Learning Infrastructure pour la Physical AGI
Une plateforme sous chaque étape de votre boucle d’apprentissage de flotte.
Avala est une infrastructure indépendante sous votre modèle. Observez votre flotte, diagnostiquez ses échecs, évaluez chaque version du modèle, acquérez les données qui comblent l’écart, validez-les et publiez des jeux de données versionnés. Vous entraînez le modèle et décidez quand il est déployé.
Conçu pour la robotique, les véhicules autonomes et l’IA incarnée.
MCAP + ROS
LiDAR + nuages de points
Vidéo multicaméra
Télémétrie + trajectoires
La boucle d’apprentissage de flotte
Sept étapes, chacune avec le produit pour la mener.
Avala mène cinq étapes. Vous entraînez le modèle avec votre propre code et votre propre puissance de calcul, et vous décidez quand il est déployé. Un seul registre relie toutes les étapes, si bien que chaque résultat remonte aux données qui l’ont produit.
Observer
Assuré par AvalaVoyez ce que votre flotte a fait. Les enregistrements arrivent avec le contexte de l’appareil, des événements et des alertes, et vous pouvez ouvrir n’importe quelle séquence dans sa scène.
- Appareils, enregistrements et événements de la flotte
- Règles et alertes
- Visualiseur MCAP
- Rendu 3D et par Gaussian splatting
Diagnostiquer
Assuré par AvalaTrouvez où le modèle échoue et pourquoi. Avala regroupe les échecs, vérifie leur chevauchement et les rattache aux cellules de couverture qui manquent à vos données.
- Recherche dans les enregistrements et les séquences
- Contrôles de chevauchement et empreintes vidéo
- Regroupement des échecs dans une taxonomie des échecs
- Rapports d’écarts rattachés aux cellules de couverture
Évaluer
Assuré par AvalaNotez le modèle actuel sur des scènes réelles mises de côté avant tout changement, pour que chaque résultat ultérieur ait une référence.
- Scènes mises de côté, jamais publiées pour l’entraînement
- Contrôles de contamination versionnés
- Pré-notation vision-langage avec audit humain
- Rapports avec intervalles de confiance
Acquérir
Assuré par AvalaTransformez l’écart en campagne de capture. Un cahier des charges approuvé fixe les tâches, les lieux, les objets et le nombre de séquences, et le standard de couverture place la barre.
- Campagnes de capture issues d’un cahier des charges approuvé
- Équipes gérées pour la capture et l’étiquetage
- Cellules de couverture issues du catalogue de 175 workflows
- Un rapport de couverture avec chaque livraison
Entraîner
Assuré par vousVous 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.
- SDK Python et TypeScript
- Chargement des données dans PyTorch
- Export LeRobot
Valider
Assuré par AvalaVérifiez chaque séquence par rapport au cahier des charges avant qu’elle n’entre dans une version. La validité technique et le résultat comportemental sont notés séparément.
- Critères d’acceptation pour chaque campagne
- Objectifs de qualité
- Notation par consensus
- Étiquettes de résultat et de rattrapage
Publier
Assuré par vousVous décidez quand le modèle est déployé. Les données derrière lui forment une version avec ses sous-ensembles, ses exports et sa traçabilité complète.
- Jeux de données versionnés et sous-ensembles
- Exports, y compris au format LeRobot
- Traçabilité de la capture à la version
- SDK et serveur MCP hébergé
Après Publier, la boucle revient à Observer, avec la flotte qui exécute le nouveau modèle.
Les autorisations et les pistes d’audit s’appliquent à chaque étape.Sécurité
Une exécution adaptée
Un seul plan de contrôle. Tous les modèles opérationnels.
Utilisez Avala avec vos propres équipes, ajoutez une capacité gérée lorsque le jugement ou le débit devient contraignant, ou combinez les deux sans changer de référentiel.
02
Exécution gérée
Ajoutez des équipes formées pour la collecte, l’annotation et la revue, tout en conservant la visibilité sur le workflow, les règles et la qualité dans Avala.
03
Hybride par conception
Confiez les décisions métier à vos experts et démultipliez le travail reproductible avec Avala, sans passage de relais supplémentaire.
Construisez la boucle
Faites de chaque jeu de données un levier pour améliorer le modèle suivant.
Présentez-nous votre stack de capteurs, votre workflow d’entraînement et votre principal blocage lié aux données. Nous définirons le chemin le plus court vers une boucle reproductible d’amélioration des modèles.