01
На основе программного обеспечения
Ваши инженеры и операционные специалисты используют Mission Control, APIs и SDKs, чтобы управлять циклом внутри компании.
Fleet Learning Infrastructure для Physical AI
Одна платформа под каждым этапом вашего цикла обучения на данных парка.
Avala является независимой инфраструктурой под вашей моделью. Наблюдайте за парком, диагностируйте сбои, оценивайте каждую версию модели, собирайте данные, которые закрывают пробел, проверяйте их и выпускайте версионированные датасеты. Вы обучаете модель и решаете, когда её выпускать.
Создано для робототехники, автономного транспорта и воплощённого ИИ.
MCAP + ROS
LiDAR + облака точек
Видео с нескольких камер
Телеметрия + траектории
Цикл обучения на данных парка
Семь этапов, и для каждого есть свой продукт.
Avala выполняет пять этапов. Вы обучаете модель своим кодом и на своих вычислительных ресурсах и решаете, когда её выпускать. Одна запись связывает все этапы, поэтому любой результат можно проследить до данных, на которых он основан.
Наблюдение
Выполняет AvalaСмотрите, что делал ваш парк. Записи поступают с контекстом устройства, событий и оповещений, и любую последовательность можно открыть в её сцене.
- Устройства, записи и события парка
- Правила и оповещения
- Просмотрщик MCAP
- 3D-рендеринг и рендеринг гауссовых сплатов
Диагностика
Выполняет AvalaНайдите, где и почему модель ошибается. Avala группирует сбои, проверяет их на пересечения и сопоставляет с ячейками покрытия, которых не хватает вашим данным.
- Поиск по записям и последовательностям
- Проверка на дубликаты и отпечатки видео
- Кластеризация сбоев в таксономию сбоев
- Отчёты о пробелах по ячейкам покрытия
Оценка
Выполняет AvalaОцените текущую модель на отложенных реальных сценах до любых изменений, чтобы у каждого следующего результата была точка отсчёта.
- Отложенные сцены, которые не передаются для обучения
- Версионированные проверки на загрязнение
- Предварительная визуально-языковая оценка с проверкой людьми
- Отчёты с доверительными интервалами
Сбор
Выполняет AvalaПревратите пробел в кампанию сбора данных. Утверждённое задание определяет задачи, места, объекты и число последовательностей, а стандарт покрытия задаёт планку.
- Кампании сбора данных по утверждённому заданию
- Управляемые команды для сбора и разметки
- Ячейки покрытия из каталога из 175 рабочих процессов
- Отчёт о покрытии с каждой поставкой
Обучение
Выполняете выВы обучаете модель на новом релизе датасета своим кодом и на своих вычислительных ресурсах. Avala сохраняет связь от последовательности до релиза.
- SDK для Python и TypeScript
- Загрузка данных в PyTorch
- Экспорт в LeRobot
Проверка
Выполняет AvalaПроверяйте каждую последовательность по заданию до того, как она попадёт в релиз. Техническая пригодность и поведенческий результат оцениваются отдельно.
- Критерии приёмки для каждой кампании
- Целевые показатели качества
- Оценка по консенсусу
- Метки результата и восстановления
Выпуск
Выполняете выВы решаете, когда выпускать модель. Данные за ней представляют собой версионированный релиз со срезами, экспортами и полной историей происхождения.
- Версионированные датасеты и срезы
- Экспорт, в том числе в формате LeRobot
- История происхождения от сбора до релиза
- SDK и размещённый сервер MCP
После выпуска цикл возвращается к наблюдению, и парк уже работает на новой модели.
Права доступа и журналы аудита действуют на каждом этапе.Безопасность
Гибкая модель выполнения
Единая плоскость управления. Любая операционная модель.
Используйте Avala силами своей команды, подключайте управляемые ресурсы при нехватке экспертной оценки или пропускной способности либо сочетайте оба подхода без смены системы учёта.
02
Управляемое выполнение
Подключайте обученных специалистов для сбора, разметки и проверки данных, сохраняя прозрачность процессов, политик и качества в Avala.
03
Гибридный подход по умолчанию
Оставьте предметные решения своим экспертам, а повторяемую работу масштабируйте через Avala без дополнительных передач между командами.
Постройте цикл
Пусть каждый датасет улучшает следующую модель.
Покажите нам свой стек датчиков, процесс обучения и самый сложный узкий участок в работе с данными. Мы определим кратчайший путь к повторяемому циклу улучшения моделей.