数据集一致，提供三维空间中的车道真值。与之有区别的是，OpenLane-Huawei 提供的是车道中心线的3D标注，而OpenLane提供的是车道分割线3D标注。此外，还提供了交通标志(交通灯和路标)及其属性的2D框标注，和车道中心线之间以及车道中心线与交通要素之间的拓扑关系标注。

数据集的首要任务是场景结构感知和推理，这需要模型能够识别周围环境中车道的可行驶状态。 该数据集的任务不仅包括车道中心线和交通要素检测，还包括检测到的对象的拓扑关系识别。 数据集定义了OpenLane-V2 Score (OLS)，该指标为各个子任务指标的平均值：

子任务的指标如下所述：

OpenLane数据集是迄今为止第一个真实世界和规模最大的 3D 车道数据集，提供 3D 空间下的车道线标注。 在OpenLane基础上，数据集将 3D 车道检测的任务定义如下：从覆盖整个水平 FOV(视场角-Field Of View) 的多视图中检测带方向的 3D 车道中心线。 用平均精度 mAP_{LC} 指标评估车道中心线的检测性能。

现有的数据集很少关注交通标志的检测及其语义，但是交通标志是自动驾驶汽车中关键信息。该属性表示交通要素的语义，例如交通灯的红色。在这个子任务中，在给定的前视图图像上，要求同时感知交通要素（交通灯和路标）的位置及其属性。与典型的 2D 检测数据集相比，挑战在于由于室外环境的大规模，交通要素的尺寸很小。与典型的多分类 2D 检测任务类似， mAP_{TE} 用于衡量交通要素 (TE)综合的检测性能。

数据集首先定义在自动驾驶领域识别拓扑关系的任务。给定多视图图像，该模型学习识别车道中心线之间以及车道中心线与交通要素之间的拓扑关系。最相似的任务是图领域的连通性预测，其中顶点是给定的，模型只预测边。在数据集的例子中，模型的顶点和边都是未知的。因此，首先需要检测车道中心线和交通要素，然后建立拓扑关系。参照连通性预测任务，数据集用 mAP_{LCLC} 评估车道中心线（LCLC）之间的拓扑表现，用 mAP_{LCTE} 评估车道中心线和交通要素（LCTE）之间的拓扑表现。数据集首先定义在自动驾驶领域识别拓扑关系的任务。给定多视图图像，该模型学习识别车道中心线之间以及车道中心线与交通要素之间的拓扑关系。最相似的任务是图领域的连通性预测，其中顶点是给定的，模型只预测边。在数据集的例子中，模型的顶点和边都是未知的。因此，首先需要检测车道中心线和交通要素，然后建立拓扑关系。参照连通性预测任务，数据集用 mAP_{LCLC} 评估车道中心线（LCLC）之间的拓扑表现，用 mAP_{LCTE} 评估车道中心线和交通要素（LCTE）之间的拓扑表现。