La détection monulaire de voies en 3D est devenue un problème fondamental dans le contexte de la conduite autonome, englobant les tâches de repérage de la surface routière et de localisation des marquages au sol. Un défi majeur réside dans une représentation linéaire à la fois flexible et robuste, capable de modéliser des structures de voies complexes tout en évitant des comportements imprévisibles. Alors que les méthodes précédentes s'appuient sur des approches entièrement pilotées par les données, nous introduisons une nouvelle approche nommée LaneCPP qui utilise un modèle continu de détection de voies en 3D intégrant des connaissances a priori sur la structure des voies et la géométrie de la route. Bien que notre modèle sophistiqué soit capable de modéliser des structures routières complexes, il montre également un comportement robuste car les contraintes physiques sont incorporées grâce à un schéma de régularisation qui peut être appliqué analytiquement à notre représentation paramétrique. De plus, nous intégrons des connaissances a priori sur la géométrie de la route dans l'espace des caractéristiques 3D en modélisant des caractéristiques spatiales sensibles à la géométrie, guidant ainsi le réseau à apprendre une représentation interne de la surface routière. Dans nos expériences, nous démontrons les avantages de nos contributions et prouvons l'importance d'utiliser des a priori pour rendre la détection de voies en 3D plus robuste. Les résultats montrent que LaneCPP atteint des performances d'état de l'art en termes de F-Score et d'erreurs géométriques.