يُعد كشف المسارات ثلاثية الأبعاد باستخدام عدسة واحدة أمرًا بالغ الأهمية لضمان نظام قيادة ذاتية موثوق، وقد شهد تطورًا سريعًا في الآونة الأخيرة. تعتمد الطرق الشائعة الحالية بشكل رئيسي على استخدام محاور ثلاثية الأبعاد محددة مسبقًا للكشف عن المسارات بناءً على الفضاء المُشاهد من الأمام (FV)، بهدف تقليل تأثيرات التحولات البصرية. ومع ذلك، فإن التشوه الهندسي الناتج عن التحول بين الفضاء المُشاهد من الأمام والفضاء ثلاثي الأبعاد في هذا النهج القائم على FV يؤدي إلى تصميم محاور كثيفة جدًا، مما ينتج عنه تمثيلات للمسارات مربكة في النهاية. في هذا البحث، نقدّم رؤية جديدة مدعومة بمعطيات سابقة (prior-guided) للكشف عن المسارات، ونُقدّم إطارًا متكاملًا يُسمّى PVALane، يُستخدم فيه المعرفة الثنائية الأبعاد (2D) لتمكين الكشف الدقيق والفعال عن المسارات ثلاثية الأبعاد. وبما أن تنبؤات المسارات ثنائية الأبعاد توفر معلومات سابقة قوية حول وجود المسارات، فإن PVALane يستخدم ميزات FV لإنشاء محاور سابقة نادرة تحتوي على مسارات محتملة في الفضاء ثنائي الأبعاد. تساعد هذه المحاور السابقة الديناميكية PVALane على تحقيق تمثيلات واضحة للمسارات، وتحسين دقة النظام بشكل فعّال بفضل تقليل مساحة البحث عن المسارات. علاوةً على ذلك، وباستغلال هذه المحاور السابقة وتمثيل المسارات في كل من الفضاء المُشاهد من الأمام (FV) والفضاء المُشاهد من الأعلى (BEV)، نتمكن من توحيد المعلومات المعجمية والهندسية من ميزات FV وBEV بشكل فعّال. أظهرت التجارب الواسعة التي أُجريت على مجموعتي بيانات OpenLane وONCE-3DLanes أداءً متفوقًا مقارنةً بالأساليب الحالية الرائدة، مع مرونة ممتازة في الأداء.