توفر التسميات المكانية على مستوى المسار بيانات لا تقدر بثمن في السيارات ذاتية القيادة، وخاصةً لتخطيط المسارات في البيئات المعقدة مثل المناطق الحضرية والمدن. ومع ذلك، فإن الحصول على هذه البيانات يستغرق وقتًا طويلاً ويتطلب تكاليف عالية، نظرًا لأن تسمية المسارات يجب أن تُنفَّذ يدويًا من قبل البشر، ما يجعل من الصعب توسيع نطاقها لتشمل مناطق واسعة. في هذا العمل، نقترح منهجية جديدة لتقدير هندسة المسارات من صور من منظور الطيور (Bird's-eye-view). نُصِف مشكلة تقدير شكل المسار واتصالاته كمشكلة تقدير رسم بياني، حيث تمثل نقاط المرجع الخاصة بالمسارات عقد الرسم البياني، وتمثّل أجزاء المسارات الحواف. قمنا بتدريب نموذج تقدير الرسم البياني على بيانات من منظور الطيور متعددة النماذج، والتي تم معالجتها من مجموعة بيانات NuScenes الشهيرة وحزمة توسيع الخرائط المرتبطة بها. بالإضافة إلى ذلك، قمنا بتقدير اتجاه اتصال كل جزء من المسار باستخدام نموذج منفصل، مما يؤدي إلى الحصول على رسم بياني موجه للمسارات. نُظهر أداء نموذجنا LaneGraphNet على مجموعة بيانات NuScenes الصعبة، ونُقدّم تقييمًا كميًا ونوعيًا واسع النطاق. يُظهر نموذجنا أداءً واعدًا في معظم المشاهد الحضرية التي تم تقييمها، ويمكن أن يُعد خطوة مهمة نحو توليد تسميات عالية الدقة للمسارات تلقائيًا في سياق القيادة الذاتية.