Als eine aufkommende Aufgabe, die Wahrnehmung und Schlussfolgerung integriert, hat die topologische Schlussfolgerung in autonomen Fahrzeugszenarien kürzlich große Aufmerksamkeit erhalten. Dennoch legt bestehende Arbeit oft den Schwerpunkt auf „Wahrnehmung vor Schlussfolgerung“: Sie verbessern in der Regel die Leistung der Schlussfolgerung, indem sie die Wahrnehmung von Fahrbahnen verstärken und verwenden direkt ein MLP (Multilayer Perceptron), um die Topologie der Fahrbahnen aus Fahrbahnabfragen zu lernen. Dieses Paradigma übersehen die geometrischen Merkmale, die den Fahrbahnen inhärent sind, und ist anfällig für Einflüsse durch eingebaute Endpunktsverschiebungen bei der Fahrbahnenerkennung.Um dieses Problem anzugehen, schlagen wir eine interpretierbare Methode zur Fahrbahn-Topologie-Schlussfolgerung vor, basierend auf der geometrischen Distanz zwischen Fahrbahnen und der Ähnlichkeit von Fahrbahnabfragen. Diese Methode nennt sich TopoLogic.Diese Methode mildert den Einfluss von Endpunktsverschiebungen im geometrischen Raum und führt explizite Ähnlichkeitsberechnungen im semantischen Raum als Ergänzung ein. Durch die Integration von Ergebnissen aus beiden Räumen bietet unsere Methode umfassendere Informationen zur Fahrbahn-Topologie.Letztendlich übertreffen unsere Ansätze erheblich die bisherigen Standesder Technik auf dem gängigen Benchmark OpenLane-V2 (23,9 gegenüber 10,9 in TOP$_{ll}$ll​ und 44,1 gegenüber 39,8 in OLS auf Subset_A). Darüber hinaus kann unser vorgeschlagener Ansatz zur geometrischen Distanz-Schlussfolgerung ohne erneutes Training in gut trainierte Modelle integriert werden und hebt signifikant die Leistung der Fahrbahn-Topologie-Schlussfolgerung. Der Quellcode ist unter https://github.com/Franpin/TopoLogic veröffentlicht.