نعالج مشكلة كشف المسارات المنحنية، والتي تفرض تحديات أكثر واقعية مقارنةً بكشف المسارات التقليدية، بهدف تحسين دعم أنظمة القيادة المساعدة/الذاتية الحديثة. تُعد الطرق الحالية المُصممة يدويًا لكشف المسارات غير كافية من حيث الموثوقية في التقاط المسارات المنحنية، خصوصًا الأجزاء البعيدة، نظرًا لعدم قدرتها على نمذجة المعلومات السياقية على مدى طويل والمسار المنحني التفصيلي في آنٍ واحد. في هذا البحث، نقترح إطارًا جديدًا لبحث البنية المُصممة خصيصًا للمسارات المنحنية، يُسمى CurveLane-NAS، والذي يُمكّن تلقائيًا من التقاط المعلومات المنحنية طويلة المدى والدقيقة على المدى القصير مع دمج عمليات البحث عن البنية (NAS) والمعالجة اللاحقة لتنبؤات المسارات المنحنية عبر تقنية خلط النقاط (point blending). يتكون هذا الإطار من ثلاث وحدات بحثية: أ) وحدة بحث دمج الميزات، التي تهدف إلى إيجاد تكامل أفضل بين السياق المحلي والعالمي لتمكين ميزات متعددة المستويات؛ ب) وحدة بحث النواة المرنة، التي تُستكشف من خلالها مُستخرجات ميزات فعالة تتمتع بسياق دلالي جيد وتأخير منخفض؛ ج) وحدة خلط النقاط التكيفية، التي تبحث عن استراتيجية تحسين متعددة المستويات للتعامل مع التنبؤات متعددة المقاييس من خلال وحدات متعددة. يضمن الإطار الموحّد تنبؤات مُستشعرة للمسارات من خلال التوجيه المتبادل بين عملية البحث عن البنية (NAS) ووحدة خلط النقاط التكيفية. بالإضافة إلى ذلك، نقدم أيضًا إصدارًا جديدًا لمعيار تقييم أكثر تحدّيًا يُسمى CurveLanes، بهدف معالجة أصعب المسارات المنحنية. يتكوّن هذا المعيار من 150 ألف صورة مُعلّمة بـ 680 ألف تسمية. يمكن تنزيل هذا المجموعة الجديدة من خلال الرابط: github.com/xbjxh/CurveLanes (تم تجهيزها بالفعل لتكون مُجهّلة لهذا التقديم). أظهرت التجارب على مجموعة CurveLanes أن الطرق الرائدة في كشف المسارات تعاني من انخفاض كبير في الأداء، في حين لا يزال نموذجنا يحقق ما يزيد عن 80% من دقة F1. كما أظهرت التجارب الواسعة على معايير كشف المسارات التقليدية مثل CULane تفوق نموذج CurveLane-NAS، حيث حقق أداءً رائدًا جديدًا بـ 74.8% من دقة F1 على مجموعة CULane.