Diese Arbeit präsentiert eine neuartige, auf parametrischen Kurven basierende Methode zur Spurerkennung in RGB-Bildern. Im Gegensatz zu aktuellen, auf Segmentierung oder Punkt-Detektion basierenden Ansätzen, die typischerweise Heuristiken erfordern, um Vorhersagen zu dekodieren oder eine große Anzahl an Anchors zu formulieren, können kurvenbasierte Methoden natürlicherweise umfassende Spurrepräsentationen lernen. Um die Optimierungsprobleme bestehender Polynomkurvenmethoden zu bewältigen, schlagen wir die Nutzung parametrischer Bézier-Kurven vor, da sie sich durch einfache Berechnung, hohe Stabilität und große Freiheitsgrade bei Transformationen auszeichnen. Zudem stellen wir eine deformierbare Faltungsbasierte Merkmals-Flip-Fusion vor, um die Symmetrieeigenschaften von Spuren in Fahrszenarien effektiv auszunutzen. Die vorgeschlagene Methode erreicht eine neue state-of-the-art-Leistung auf dem etablierten LLAMAS-Benchmark. Zudem erzielt sie eine überzeugende Genauigkeit auf den Datensätzen TuSimple und CULane, während sie gleichzeitig eine geringe Latenz (> 150 FPS) und eine kleine Modellgröße (< 10 M) beibehält. Unser Ansatz kann als neuer Baseline dienen und neue Impulse für die Modellierung parametrischer Kurven in der Spurerkennung geben. Der Quellcode unseres Modells sowie PytorchAutoDrive – ein einheitliches Framework für die Perzeption im autonomen Fahren – sind unter folgender Adresse verfügbar: https://github.com/voldemortX/pytorch-auto-drive.