بصفتها مهمة ناشئة تدمج الإدراك والمنطق، حظي المنطق الطوبولوجي في مشاهد القيادة الذاتية باهتمام واسع مؤخرًا. ومع ذلك، غالبًا ما تركز الأعمال الحالية على "الإدراك أكثر من المنطق": فهي عادةً ما تعزز أداء المنطق من خلال تحسين إدراك المسارات وتعتمد مباشرة على الشبكة العصبية متعددة الطبقات (MLP) لتعلم طوبولوجيا المسارات من استعلام المسار. هذا النموذج يغفل الخصائص الهندسية المتأصلة في المسارات نفسها ويكون عرضة للتأثير بالانحرافات النقطية المتأصلة في اكتشاف المسارات.لحل هذه المشكلة، نقترح طريقة قابلة للتفسير لمنطق طوبولوجيا المسارات تعتمد على المسافة الهندسية بين المسارات وتشابه استعلام المسار، والتي أطلقنا عليها اسم TopoLogic.تخفف هذه الطريقة من تأثير الانحرافات النقطية في الفضاء الهندسي، وتقدم حساب التشابه الصريح في الفضاء الدلالي كمكمل. عن طريق دمج النتائج من كلا الفضائيين، توفر طرقنا معلومات أكثر شمولية لطوبولوجيا المسارات.في نهاية المطاف، يتفوق نهجنا بشكل كبير على الأساليب الرائدة الحالية في المعيار الرئيسي OpenLane-V2 (23.9 مقابل 10.9 في TOP$_{ll}$ll​ و44.1 مقابل 39.8 في OLS على مجموعة_أ). بالإضافة إلى ذلك، يمكن دمج طريقة المنطق الطوبولوجي بالمسافة الهندسية المقترحة لدينا في نماذج مدربة جيدًا دون الحاجة لإعادة التدريب، مما يؤدي إلى زيادة كبيرة في أداء منطق طوبولوجيا المسارات. تم إطلاق الكود في https://github.com/Franpin/TopoLogic.