Die monokulare 3D-Spurerkennung ist inzwischen zu einem grundlegenden Problem im Kontext des autonomen Fahrens geworden, das die Aufgaben der Bestimmung der Fahrbahnoberfläche und der Lokalisierung von Spurmarkierungen umfasst. Eine der größten Herausforderungen besteht darin, eine flexible, aber robuste Linienrepräsentation zu entwickeln, die komplexe Spurstrukturen modellieren kann, gleichzeitig jedoch unvorhersehbares Verhalten vermeidet. Während frühere Methoden vollständig datengesteuerte Ansätze verwenden, stellen wir einen neuen Ansatz namens LaneCPP vor, der ein kontinuierliches 3D-Spurerkennungsmodell nutzt, das auf physikalischem Vorwissen über die Spurstruktur und die Fahrbahngeometrie basiert. Obwohl unser anspruchsvolles Spurmodell in der Lage ist, komplexe Fahrbahnoberflächen zu modellieren, zeigt es auch robustes Verhalten, da physikalische Einschränkungen durch ein Regularisierungsschema eingearbeitet werden können, das analytisch auf unsere parametrische Repräsentation angewendet wird. Zudem integrieren wir Vorwissen über die Fahrbahngeometrie in den 3D-Featurespace, indem wir geometriebewusste räumliche Merkmale modellieren, was das Netzwerk leitet, eine interne Darstellung der Fahrbahnoberfläche zu lernen. In unseren Experimenten zeigen wir die Vorteile unserer Beiträge und beweisen die Bedeutsamkeit des Einsatzes von Vorwissen zur Steigerung der Robustheit bei der 3D-Spurerkennung. Die Ergebnisse demonstrieren, dass LaneCPP hinsichtlich des F-Werts und geometrischer Fehler den aktuellen Stand der Technik erreicht.