Wir stellen ein Netzwerk vor, das die 3D-Struktur von Fahrbahnen in einer Straßenszene direkt aus einem einzelnen Bild vorhersagt. Diese Arbeit markiert den ersten Versuch, diese Aufgabe mit Bord-Sensoren zu bewältigen, ohne eine bekannte konstante Fahrstreifenbreite anzunehmen oder auf vorgekartierte Umgebungen zurückzugreifen. Unsere Netzarchitektur, 3D-LaneNet, setzt zwei neue Konzepte ein: die intranetzwerkliche inverse Perspektivabbildung (IPM) und die ankerbasierte Fahrstreifenrepräsentation. Die intranetzwerkliche IPM-Projektion ermöglicht einen dualen Informationsfluss sowohl in der üblichen Bildansicht als auch in der Top-Down-Ansicht. Eine anker-pro-spalte-Ausgabedarstellung ermöglicht unseren end-to-end-Ansatz, der gängige Heuristiken wie Clustering und Ausreißererkennung ersetzt und die Fahrstreifenabschätzung als Objekterkennungsproblem formuliert. Darüber hinaus behandelt unser Ansatz explizit komplexe Situationen wie Fahrstreifenzusammenführungen und -aufspaltungen. Die Ergebnisse werden anhand zweier neuer 3D-Fahrstreifendatensätze präsentiert, eines synthetischen und eines realen. Zum Vergleich mit bestehenden Methoden testen wir unseren Ansatz am tuSimple-Benchmark für reine Bildbasierte Fahrstreifenerkennung und erzielen dabei Leistungen, die mit dem state-of-the-art mithalten können.