Shaif Chowdhury, Akhila Yeruvasu, Moshiur Rahman Tonmoy, Ayush Goyal, Dunren Che · 2026 · arXiv
DOI: 10.48550/arXiv.2610.28508 · open-access PDF
Zuverlässige Laufbahnbezeichnungen sind sowohl für menschliche Fahrer als auch für automatisierte Fahrsysteme wichtig, aber ihr Zustand wird immer noch allgemein durch manuelle Inspektion bewertet. Bestehende autonome Fahrdatensätze unterstützen hauptsächlich die Laufbahnbezeichnung und das Szenenverständnis und fehlen in der Regel wartungsorientierte Etiketten für Laufbahnbezeichnung für Sichtbarkeit, Kontinuität oder Degradation. In dieser Studie präsentieren wir einen geo-referenzierten Smartphone-Dashcam-Datensatz und ein Baseline-Framework für die Laufbahnbezeichnung für die Qualitätsbewertung.
Machine translation (Meta M2M100); the English original follows.
Reliable lane markings are important for both human drivers and automated driving systems, but their condition is still commonly assessed through manual inspection. Existing autonomous-driving datasets primarily support lane detection and scene understanding and usually lack maintenance-oriented labels for lane-marking visibility, continuity, or degradation. In this study, we present a geo-referenced smartphone dashcam dataset and baseline framework for lane-marking quality assessment. The dataset contains 63,839 road-facing frames collected across South Texas using a GPS-enabled dashcam appli
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.28508, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange