Das Verständnis des Straßengenoms ist entscheidend, um autonome Fahrzeuge zu realisieren. Dieses hochintelligente Problem besteht aus zwei Aspekten – der Verbindung von Spuren und der Zuordnungsbeziehung zwischen Spuren und Verkehrselementen, wobei eine umfassende topologische Schließungsmethode fehlt. Einerseits kämpfen traditionelle Kartenlernverfahren damit, die Spurverbindungen durch Segmentierung oder Spurlinien-Paradigmen abzuleiten; oder spurtopologieorientierte Ansätze konzentrieren sich auf die Detektion von Mittellinien und vernachlässigen das Modellieren von Interaktionen. Andererseits ist das Problem der Zuordnung von Verkehrselementen zu Spuren im Bildbereich begrenzt, sodass die Konstruktion der Korrespondenz aus zwei Perspektiven eine bisher unerforschte Herausforderung darstellt. Um diese Probleme zu lösen, präsentieren wir TopoNet, den ersten end-to-end-Framework, der in der Lage ist, Verkehrskenntnisse über herkömmliche Wahrnehmungsaufgaben hinaus abstrahieren zu können. Um die Topologie des Fahrzeugsszenarios zu erfassen, führen wir drei zentrale Designelemente ein: (1) ein Einbettungsmodul zur Integration semantischen Wissens aus 2D-Elementen in einen einheitlichen Merkmalsraum; (2) ein sorgfältig zusammengestelltes Szengraph-Neuronales Netzwerk zur Modellierung von Beziehungen und zum Erleichtern der Merkmalsinteraktion innerhalb des Netzes; (3) anstelle einer willkürlichen Nachrichtenübertragung wird ein Szengraph-Wissen entwickelt, um Vorwissen von verschiedenen Arten des Straßengenoms zu differenzieren. Wir bewerten TopoNet anhand des anspruchsvollen Benchmarks für Szenenverstehen, OpenLane-V2, wo unser Ansatz bei allen wahrnehmungs- und topologischen Metriken deutlich bessere Ergebnisse als alle früheren Arbeiten erzielt. Der Code ist unter https://github.com/OpenDriveLab/TopoNet veröffentlicht.