Nous présentons une méthode généralisée et évolutive, appelée Gen-LaneNet, pour détecter des voies 3D à partir d'une seule image. Cette méthode, inspirée par la dernière version de l'état de l'art 3D-LaneNet, constitue un cadre unifié qui résout l'encodage d'image, la transformation spatiale des caractéristiques et la prédiction de voies 3D au sein d'un seul réseau. Cependant, nous proposons deux innovations spécifiques pour Gen-LaneNet. Premièrement, nous introduisons une nouvelle représentation d'ancre de voie guidée par la géométrie dans un nouveau système de coordonnées et appliquons une transformation géométrique spécifique pour calculer directement les points réels 3D des voies à partir de la sortie du réseau. Nous démontrons que l'alignement des points de voie avec les caractéristiques en vue supérieure dans le nouveau système de coordonnées est crucial pour une méthode généralisée capable de gérer des scènes inconnues. Deuxièmement, nous présentons un cadre en deux étapes évolutive qui découple l'apprentissage du sous-réseau de segmentation d'image et du sous-réseau d'encodage géométrique. Par rapport à 3D-LaneNet, le Gen-LaneNet proposé réduit considérablement le nombre d'étiquettes 3D nécessaires pour obtenir une solution robuste dans les applications réelles.De plus, nous mettons à disposition un nouveau jeu de données synthétiques ainsi que sa stratégie de construction afin d'encourager le développement et l'évaluation des méthodes de détection de voies 3D. Dans nos expériences, nous menons une étude exhaustive d'ablation pour confirmer que le Gen-LaneNet proposé surpasse significativement 3D-LaneNet en termes de précision moyenne (AP) et de F-score.