플릿 러닝
플릿에서 발생한 모든 실패를 모델이 다음에 필요로 하는 데이터로 바꾸세요.
Avala는 고객의 모델을 중심으로 루프를 운영합니다. 롤아웃을 수집하고, 모델이 실패하는 지점을 찾고, 그 공백을 메우는 데이터를 캡처하고, 모델이 본 적 없는 실제 환경 장면에서 다음 릴리스의 점수를 매깁니다. 모델의 학습과 소유, 배포 시점 결정은 고객이 합니다.
Physical AGI를 위한 Fleet Learning Infrastructure
루프
일곱 단계, 그리고 사이클마다 하나의 기록.
각 사이클은 플릿이 실제로 수행한 작업에서 시작해 고객이 배포를 결정한 릴리스로 끝납니다. Avala는 다섯 단계를 운영합니다. 학습과 릴리스 결정은 고객의 몫입니다.
관찰
Avala 담당
로봇이 롤아웃을 기록합니다. Avala는 영상과 로그를 디바이스, 기록, 이벤트 컨텍스트와 함께 수집합니다.
진단
Avala 담당
Avala는 각 롤아웃을 구간으로 나누고, 실패를 클러스터링해 실패 분류 체계로 정리한 뒤, 각 클러스터를 커버리지 셀에 매핑합니다.
평가
Avala 담당
현재 모델을 학습에 쓰지 않은 실제 환경 장면에서 평가해, 무엇이든 바꾸기 전에 출발점을 측정합니다.
확보
Avala 담당
수집 브리프가 캡처 캠페인이 됩니다. 어떤 작업을, 어떤 가정이나 작업장에서, 어떤 물체로, 몇 개의 시퀀스를 수집할지 정합니다.
학습
고객 담당
고객이 자체 코드와 컴퓨팅 자원으로 새 데이터셋 릴리스를 학습합니다. Avala는 시퀀스부터 릴리스까지의 계보를 유지합니다.
검증
Avala 담당
Avala는 동일한 홀드아웃 코호트에서 새 모델의 점수를 매기고, 두 버전을 신뢰 구간과 함께 나란히 보고합니다.
릴리스
고객 담당
모델 배포 여부는 고객이 결정합니다. 그 결정과 근거는 다음 사이클을 위한 기록에 남습니다.
기록
각 사이클을 하나로 묶는 역량 실험.
모든 사이클은 하나의 역량 실험으로 기록됩니다. 팀이 개선하려는 대상을 명시하고 근거를 한곳에 모으기 때문에, 어떤 결과든 그 뒤의 데이터와 결정까지 추적할 수 있습니다.
- 모델 버전
- 실패가 발생했을 때 플릿에서 실행 중이던 모델.
- 실패 조건
- 잘못된 동작. 실패 분류 체계의 이름으로 기록합니다.
- 가설
- 새 데이터로 무엇이 바뀔 것이라고 팀이 예상하는지. 수집을 시작하기 전에 기록합니다.
- 커버리지 셀
- 새 데이터가 반드시 다뤄야 하는 작업, 환경, 물체.
- 캡처 캠페인
- 시퀀스를 수집한 캠페인과 그 승인 기준.
- 데이터셋 릴리스
- 모델 학습에 사용된 버전 관리 데이터셋.
- 평가 코호트
- 두 모델 버전의 점수 산정에 사용한 홀드아웃 장면.
- 결과
- 평가로 측정한 내용과 신뢰 구간.
- 다음 배분
- 다음 수집을 어디에 할지, 그리고 그 이유.
진단
롤아웃 영상에서 수집 브리프까지.
실패 데이터 보내기
롤아웃 영상과 로그를 MCAP 파일, ROS bag, LeRobot 데이터셋 형식으로 보내세요. Avala는 각 시퀀스를 하위 작업으로 나누고 문제가 생긴 지점을 찾습니다.
공백 리포트 확인
실패는 실패 분류 체계로 묶이고 커버리지 셀에 매핑됩니다. 리포트는 데이터가 부족한 셀, 가장 자주 실패하는 셀, 고객 데이터가 한 번도 다루지 않은 셀을 보여줍니다.
브리프 승인
Avala가 작업, 환경, 물체, 시퀀스 수, 승인 기준을 담은 수집 브리프를 제안합니다. 캡처를 시작하기 전에 고객 팀이 승인합니다.
모든 시퀀스
모든 시퀀스에 두 가지 독립적인 등급.
기록은 기술적으로 완벽해도 작업은 실패했을 수 있습니다. Avala는 두 가지를 따로 평가하므로, 센서 결함 때문에 유용한 실수가 가려지는 일이 없습니다.
기술적 유효성
- 센서 무결성
- 시간 동기화
- 캘리브레이션
- 손과 물체의 가시성
- 개인정보 보호
- 완전한 메타데이터
행동 결과
- 숙련자 수준 성공
- 부분 성공
- 실수와 복구
- 개입
- 안전하지 않음 또는 중단
- 새로운 전략
복구 가능한 실패는 라벨을 붙여 별도 레인으로 납품합니다. 모델이 다시 제자리로 돌아오는 방법을 보여주기 때문에 Avala는 이를 보존합니다.
시퀀스 메타데이터
각 시퀀스와 함께 제공되는 것.
- 두 등급 각각의 결과 라벨
- 단계별 언어 설명이 포함된 하위 작업 경계
- 품질 및 속도 등급
- 실수와 복구 구간
- 리그 및 캘리브레이션 ID
- 가정, 물체, 작업자별 누출 그룹
누출 그룹을 사용하면 같은 가정, 물체, 작업자가 학습 세트와 테스트 세트 양쪽에 나타나지 않도록 분할할 수 있습니다.
제품
지금 바로 사용할 수 있는 제품 위에 구축합니다.
플릿
데이터를 보고하는 모든 로봇의 디바이스, 기록, 이벤트, 규칙, 알림.
캡처 캠페인
수집할 내용을 정의하고, 각 제출물을 브리프와 대조해 확인하는 캠페인.
품질 관리
승인 기준, 품질 목표, 합의 기반 채점, 영상 지문 중복 검사.
뷰어와 4D 재구성
MCAP 뷰어와 가우시안 스플랫 4D 재구성으로 어떤 시퀀스든 해당 장면 안에서 살펴볼 수 있습니다.
MCP 서버와 SDK
플릿 기록, 캡처 캠페인, 승인 커버리지, 합의 결과를 에이전트와 코드에서 Python 또는 TypeScript로 조회하세요.
LeRobot 내보내기
Python SDK나 명령줄에서 데이터셋 릴리스를 LeRobot 형식으로 내보내, 바로 학습 코드에 사용할 수 있습니다.
Avala의 위치
모델은 고객이 소유합니다. 그 아래의 인프라는 Avala가 운영합니다.
Avala는 인프라 레이어에, 고객의 모델 바로 아래에 있습니다. 우리는 로봇을 만들지도, 고객의 모델을 소유하지도, 컴퓨팅 자원을 팔지도, 칩을 만들지도 않습니다. 우리는 고객 자신의 모델이 자신의 플릿에서 학습할 수 있는 데이터 및 학습 인프라를 만듭니다.