تُعدّ الطرق الحديثة القائمة على التعلم العميق للكشف عن المسارات فعّالة في معظم السيناريوهات، لكنها تواجه صعوبات في الكشف عن المسارات ذات البنية المعقدة. في هذا العمل، نقترح CondLaneNet، وهي إطار عمل جديد للكشف عن المسارات من الأعلى إلى الأسفل، يكشف أولاً عن حالات المسارات، ثم يتنبأ بشكل ديناميكي بشكل الخط لكل حالة. ولحل مشكلة التمييز على مستوى الحالات، نقدّم استراتيجية كشف مسارات شرطية تعتمد على الت convolution الشرطي وصيغة متعددة الصفوف. بالإضافة إلى ذلك، صممنا وحدة الحالات المتكررة (RIM) للتغلب على التحديات المرتبطة بالكشف عن خطوط المسارات ذات البنية المعقدة، مثل الخطوط الكثيفة والخطوط الفرعية. وبفضل النموذج المتكامل من البداية إلى النهاية الذي يتطلب معالجة ما بعدية قليلة، يتمتع نهجنا بكفاءة زمنية حقيقية. وقد قمنا بتقييم منهجنا بشكل واسع على ثلاث معايير للكشف عن المسارات. وأظهرت النتائج أن منهجنا يحقق أداءً متميزًا على جميع مجموعات البيانات الثلاث. علاوة على ذلك، يتميز منهجنا بالتزامن بين الدقة والكفاءة، مثلاً، يحقق 78.14 نقطة F1 و220 إطارًا في الثانية على مجموعة بيانات CULane. يمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://github.com/aliyun/conditional-lane-detection.