أظهرت الطرق الحديثة للكشف عن المسارات أداءً متميزًا في السيناريوهات الواقعية المعقدة، لكن العديد منها يواجه مشكلات في الحفاظ على الكفاءة الزمنية الحقيقية، وهي عامل مهم جدًا للمركبات ذاتية القيادة. في هذا العمل، نقترح نموذج LaneATT: نموذج للكشف عن المسارات العميق القائم على الأركان، والذي يشبه غيره من مُكتشفات الكائنات العميقة الشائعة الاستخدام، ويستخدم الأركان في مرحلة استخلاص السمات (feature pooling). وبما أن المسارات تتبع نمطًا منتظمًا ومرتبطًا بشكل عالٍ، نفترض أن المعلومات الشاملة قد تكون حاسمة في بعض الحالات لاستنتاج مواقعها، خاصة في الظروف مثل التعتيم أو غياب علامات المسار وغيرها. لذلك، يقترح هذا العمل آلية انتباه قائمة على الأركان جديدة تجمع المعلومات الشاملة. وقد تم تقييم النموذج بشكل واسع على ثلاث من أكثر مجموعات البيانات استخدامًا في الأدبيات العلمية. وأظهرت النتائج أن طريقةنا تتفوق على أحدث الطرق المتطورة من حيث الكفاءة والفعالية معًا. علاوةً على ذلك، أُجريت دراسة تحليلية (أبلاسيون ستدي) مع مناقشة خيارات تنازلية تتعلق بالكفاءة، وهي مفيدة في التطبيقات العملية.