يقدم هذا البحث منهجًا جديدًا قائمة على المنحنيات المعاملية لاكتشاف المسارات في الصور RGB. على عكس الطرق الحديثة القائمة على التجزئة أو الكشف عن النقاط، التي تتطلب غالبًا قواعد حدسية لفك تشفير التنبؤات أو صياغة عدد كبير من المُحاور (anchors)، يمكن للطرق القائمة على المنحنيات تعلم تمثيلات شاملة للمسارات بشكل طبيعي. ولتقليل الصعوبات الناتجة عن عملية التحسين في الطرق القائمة على المنحنيات متعددة الحدود الحالية، نقترح استخدام المنحنيات البارامترية من نوع بيزيه (Bézier) نظرًا لسهولة حسابها واستقرارها ودرجة حرية عالية في التحولات. بالإضافة إلى ذلك، نُقدّم تقنية تُعرف بـ "دمج ميزات التبديل القابلة للتشويه" (deformable convolution-based feature flip fusion)، والتي تستغل الخصائص التناظرية للمسارات في المشاهد المرورية. تحقق الطريقة المقترحة أداءً جديدًا في مستوى الحد الأقصى (state-of-the-art) على معيار LLAMAS الشهير، كما تُظهر دقة مرضية على مجموعتي بيانات TuSimple وCULane، مع الحفاظ على زمن استجابة منخفض (أعلى من 150 إطارًا في الثانية) وحجم نموذج صغير (أقل من 10 ميغابايت). يمكن لهذا المنهج أن يُستخدم كمُعيار مرجعي جديد، ليعمل على توجيه الأبحاث نحو نمذجة المنحنيات المعاملية في اكتشاف المسارات. تتوفر أكواد النموذج المقترح، إلى جانب إطار العمل الموحّد PytorchAutoDrive للإدراك في القيادة الذاتية، عبر الرابط التالي: https://github.com/voldemortX/pytorch-auto-drive.