面向 Physical AI 的 Fleet Learning Infrastructure

一个平台，支撑机器人集群学习闭环的每个阶段。

Avala 是位于您模型之下的独立基础设施。观察您的机器人集群，诊断其失败，评估每个模型版本，采集能补上缺口的数据并加以验证，再发布带版本的数据集。模型由您训练，何时上线也由您决定。

预约演示查看七个阶段

专为机器人、自动驾驶汽车和具身 AI 打造。

MCAP + ROS

LiDAR + 点云

多摄像头视频

遥测 + 轨迹

机器人集群学习闭环

七个阶段，每个阶段都有对应的产品。

Avala 负责其中五个阶段。您用自己的代码和算力训练模型，并决定何时上线。一份记录贯穿所有阶段，因此任何结果都能追溯到其背后的数据。

观察
由 Avala 负责
查看机器人集群做了什么。录制数据会附带设备、事件和告警的上下文，任何序列都可以在其场景中打开。
- 集群设备、录制和事件
- 规则与告警
- MCAP 查看器
- 3D 与高斯泼溅渲染
MCAP 标注集成
诊断
由 Avala 负责
找出模型在哪里失败以及原因。Avala 会对失败进行归类、检查重叠，并将其映射到您的数据所缺少的覆盖单元。
- 跨录制和序列搜索
- 重叠检查与视频指纹
- 将失败聚类为失败分类体系
- 映射到覆盖单元的缺口报告
机器人集群学习闭环
评估
由 Avala 负责
在任何改动之前，先在留出的真实场景上为当前模型评分，让之后的每个结果都有基线。
- 留出场景，从不发布用于训练
- 带版本的污染检查
- 视觉语言模型预评分加人工审核
- 带置信区间的报告
评估
采集
由 Avala 负责
把缺口变成采集任务。经审批的需求说明列出任务、地点、物体和序列数量，覆盖标准设定门槛。
- 依据已审批需求说明的采集任务
- 负责采集与标注的托管团队
- 来自 175 个工作流目录的覆盖单元
- 每次交付附带覆盖报告
覆盖范围数据采集
训练
由您负责
您用自己的代码和算力，在新的数据集版本上训练。Avala 保留从序列到发布版本的完整数据血缘。
- Python 和 TypeScript SDK
- PyTorch 数据加载
- LeRobot 导出
开发者
验证
由 Avala 负责
每个序列在进入发布版本之前，都要对照需求说明进行检查。技术有效性和行为结果分别评级。
- 每个采集任务的验收标准
- 质量目标
- 共识评分
- 结果标签与恢复标签
可验证的真值数据 Agentic Labeling 真值输出
发布
由您负责
模型何时上线由您决定。其背后的数据是一个带版本的发布，包含切片、导出和完整的数据血缘。
- 带版本的数据集与切片
- 导出，包括 LeRobot 格式
- 从采集到发布的数据血缘
- SDK 与托管 MCP 服务器
多模态数据集集成开发者

发布之后，集群运行新模型，闭环回到观察阶段。

权限与审计记录适用于每个阶段。安全

灵活适配的执行方式

一个控制平面，适配任意运营模式。

既可由自有团队使用 Avala，也可在判断力或吞吐量受限时增加托管产能，还可在不更换权威记录系统的情况下结合两种模式。

软件主导

您的工程师和运营人员使用 Mission Control、APIs 和 SDKs 在内部运行完整闭环。

托管执行

为采集、标注和审核增加经过培训的产能，同时让工作流、策略和质量始终在 Avala 中清晰可见。

原生混合模式

由您的专家把握领域决策，通过 Avala 扩展可重复工作，无需再次交接。

构建闭环

让每个数据集都能改进下一个模型。

将您的传感器栈、训练工作流和最棘手的数据瓶颈交给我们。我们将规划通往可重复模型改进闭环的最短路径。

预约演示