المسارات الطرقية هي مكونات أساسية في أنظمة الإدراك البصري للمركبات الذكية، حيث تلعب دورًا محوريًا في الملاحة الآمنة. في مهام الكشف عن المسارات، من الضروري تحقيق التوازن بين الدقة والأداء الفعلي في الوقت الحقيقي، ومع ذلك غالبًا ما تضحي الأساليب الحالية بأحد هذين العنصرين لصالح الآخر. لمعالجة هذا التنازل، نقدم CLRKDNet، وهو نموذج مبسط يحقق التوازن بين دقة الكشف والأداء الفعلي في الوقت الحقيقي. لقد أثبت النموذج الرائد CLRNet أداءً استثنائيًا عبر مجموعة متنوعة من قواعد البيانات، ومع ذلك فإن العبء الحسابي له كبير بسبب شبكته الهرمية للميزات (Feature Pyramid Network - FPN) وبنية رأس الكشف متعدد الطبقات. طريقتنا تبسط كلًا من بنية FPN ورؤوس الكشف، وتقوم بإعادة تصميمهما لدمج عملية تقليد جديدة بين المعلم والطالب إلى جانب سلسلة جديدة من خسائر التقليد (distillation losses). هذه المزيج يقلل وقت الاستدلال بنسبة تصل إلى 60% مع الحفاظ على دقة الكشف المماثلة لCLRNet. هذا التوازن الاستراتيجي بين الدقة والسرعة يجعل CLRKDNet حلًا قابلًا للتطبيق لمهمات كشف المسارات في الوقت الحقيقي ضمن تطبيقات القيادة الذاتية.