تعد مهمة الكشف عن الحارات واحدة من التحديات الجوهرية في نظم القيادة الذاتية، إذ تتطلب استعادة هياكل حارات رفيعة وطويلة تواجه عادة حالات احتجاب تحت ظروف قيادة صعبة. ورغم أن الأنظمة المعتمدة على الأنكر (anchors) تقدم توليدًا فعالًا للمرشحين، فإن أدائها يعاني من قضايا مترابطة. من أبرزها أن الميزات الهيكلية قد تفقد استمراريتها على طول الحارات جزئيًا، وقد تنفصل ثقة التصنيف عن جودة تحديد المواقع على مستوى الخطوط، مما يسمح لبقاء الأنكر غير الدقيقة قبل تطبيق تقنية الحجب غير الأقصى (NMS).

في هذا السياق، نقدم framework متطور يركز على الهيكلية بجانب خوارزمية تصنيف ديناميكية تهدف لتحسين تمثيل الحارات وتسجيل الديناميكي للأنكر، مع الحفاظ على مسار الاستدلال لشبكة تفكيك الأنكر (ADNet). يتضمن النظام وحدة Gated Horizontal-Vertical Token (GHVT) التي تعزز الميزات المتوسطة والعالية المستوى من خلال تفاعلات توكن الاتجاه الخفيفة مع بوابة ثابتة القابلية للتعلم.

بالتوازي، تقوم خوارزمية Line-Quality-Aware Dynamic Anchor Scoring (LQAS) بمعايرة البيانات الخاصة بتصنيفات القائمة باستخدام الإشراف على الجودة، وحجب السلبيات الصعبة، والتصنيف الثنائي دون إضافة فروع جديدة لعملية الاستدلال.

أظهرت نتائج تطبيقية على مجموعة بيانات VIL-100 أن أسلوبنا حسّن أداء ADNet-R34 من 89.97 إلى 91.28 في علامة F1 عند عتبة تقاطع 0.5، مما أسهم في تقليل كل من الإيجابيات الكاذبة والسلبيات الكاذبة. أيضًا، أكدت التجارب الإضافية على مجموعات بيانات CULane وTuSimple، وتحليلات شاملة لتوزيع الدرجات وتحليل الزمن، على التحسينات الهيكلية والترتيبية المساندة مع الحد الأدنى من العبء الحسابي.