Обучение на данных парка
Превращайте каждый сбой в вашем парке в данные, которые нужны модели дальше.
Avala ведёт цикл вокруг вашей модели. Мы принимаем ваши прогоны, находим, где модель ошибается, собираем данные, закрывающие пробел, и оцениваем следующий релиз на реальных сценах, которых она не видела. Вы обучаете модель, владеете ею и решаете, когда её выпускать.
Fleet Learning Infrastructure для Physical AGI
Цикл
Семь шагов и одна запись на каждый цикл.
Каждый цикл начинается с того, что сделал ваш парк, и заканчивается релизом, который вы решаете выпустить. Avala выполняет пять шагов. Обучение и решение о выпуске остаются за вами.
Наблюдение
Выполняет Avala
Ваши роботы записывают прогоны. Avala принимает видео и логи вместе с контекстом устройства, записи и событий.
Диагностика
Выполняет Avala
Avala сегментирует каждый прогон, группирует сбои в таксономию сбоев и сопоставляет каждую группу с ячейками покрытия.
Оценка
Выполняет Avala
Текущая модель оценивается на отложенных реальных сценах, поэтому исходный уровень измерен до любых изменений.
Сбор
Выполняет Avala
Задание на сбор становится кампанией сбора данных: какие задачи, какие дома или рабочие места, какие объекты и сколько последовательностей.
Обучение
Выполняете вы
Вы обучаете модель на новом релизе датасета своим кодом и на своих вычислительных ресурсах. Avala сохраняет связь от последовательности до релиза.
Проверка
Выполняет Avala
Avala оценивает новую модель на той же отложенной когорте и показывает обе версии рядом, с доверительными интервалами.
Выпуск
Выполняете вы
Вы решаете, выпускать ли модель. Решение и его обоснование попадают в запись для следующего цикла.
Запись
Эксперимент над возможностью связывает каждый цикл воедино.
Каждый цикл фиксируется как один эксперимент над возможностью модели. В нём указано, что команда хочет улучшить, а все данные хранятся в одном месте, поэтому любой результат можно проследить до данных и решения, стоящих за ним.
- Версия модели
- Модель, на которой работал парк, когда появился сбой.
- Условие сбоя
- Ошибочное поведение, названное по таксономии сбоев.
- Гипотеза
- Что, по ожиданию команды, изменят новые данные. Записывается до начала сбора.
- Ячейки покрытия
- Задачи, условия и объекты, которые должны покрыть новые данные.
- Кампания сбора данных
- Кампания, в ходе которой собраны последовательности, с её критериями приёмки.
- Релиз датасета
- Версионированный датасет, на котором обучалась модель.
- Когорта для оценки
- Отложенные сцены, на которых оцениваются обе версии модели.
- Результат
- Что показала оценка, с доверительными интервалами.
- Следующее распределение
- Куда направляется следующий этап сбора и почему.
Диагностика
От видео прогона к заданию на сбор.
Отправьте ваши сбои
Отправляйте видео и логи прогонов в виде файлов MCAP, ROS bag или датасетов LeRobot. Avala делит каждую последовательность на подзадачи и находит момент, где что-то пошло не так.
Изучите отчёт о пробелах
Сбои группируются в таксономию сбоев и сопоставляются с ячейками покрытия. Отчёт показывает, какие ячейки заполнены слабо, какие дают сбои чаще всего и какие ваши данные никогда не покрывали.
Утвердите задание
Avala предлагает задание на сбор с задачами, условиями, объектами, числом последовательностей и критериями приёмки. Ваша команда утверждает его до начала сбора.
Каждая последовательность
Две отдельные оценки для каждой последовательности.
Запись может быть технически безупречной и при этом показывать невыполненную задачу. Avala оценивает эти стороны отдельно, поэтому сбой датчика никогда не скрывает полезную ошибку.
Техническая корректность
- Целостность данных датчиков
- Синхронизация по времени
- Калибровка
- Видимость рук и объектов
- Конфиденциальность
- Полные метаданные
Поведенческий результат
- Успех на уровне эксперта
- Частичный успех
- Ошибка и восстановление
- Вмешательство
- Небезопасно или прервано
- Новая стратегия
Сбои с восстановлением размечаются и поставляются отдельным потоком. Они показывают модели, как вернуться к задаче, поэтому Avala их сохраняет.
Метаданные последовательности
Что поставляется с каждой последовательностью.
- Метка результата по обеим оценкам
- Границы подзадач с текстовым описанием каждого шага
- Оценки качества и скорости
- Сегменты ошибок и восстановления
- ID установки и калибровки
- Группы утечки по дому, объекту и оператору
Группы утечки позволяют разделить обучающую и тестовую выборки так, чтобы один и тот же дом, объект или оператор никогда не попадал в обе.
Продукт
Построено на продукте, которым можно пользоваться уже сегодня.
Парк
Устройства, записи, события, правила и оповещения для каждого робота, который передаёт данные.
Кампании сбора данных
Кампании, которые задают, что собирать, и проверяют каждую отправку на соответствие заданию.
Контроль качества
Критерии приёмки, целевые показатели качества, оценка по консенсусу и проверка видео на дубликаты по отпечаткам.
Просмотрщик и 4D-реконструкция
Просмотрщик MCAP и 4D-реконструкция на основе гауссовых сплатов, чтобы изучить любую последовательность в её сцене.
Сервер MCP и SDK
Запрашивайте записи парка, кампании сбора данных, покрытие приёмки и консенсус из своих агентов и кода на Python или TypeScript.
Экспорт в LeRobot
Экспортируйте релиз датасета в формате LeRobot из Python SDK или из командной строки, сразу для вашего кода обучения.
Место Avala
Модель принадлежит вам. Avala ведёт инфраструктуру под ней.
Avala — на уровне инфраструктуры, прямо под моделью клиента. Мы не строим роботов, не владеем моделью клиента, не продаём вычислительные мощности и не делаем чипы. Мы строим инфраструктуру данных и обучения, с помощью которой собственная модель клиента учится у собственного парка машин.
Начало
Принесите один тип сбоя. Уйдите с заданием.
На рабочей сессии мы смотрим ваши прогоны, называем сбой, который вы больше всего хотите исправить, и готовим первое задание на сбор и когорту для оценки.