La compréhension des scénarios de conduite est cruciale pour la réalisation de la conduite autonome. Les travaux précédents, tels que l'apprentissage cartographique et la détection de voies en vue bird's-eye (BEV), négligent souvent les relations de connexion entre les instances de voies, tandis que les tâches de détection d'éléments de circulation négligent généralement la relation avec les lignes de voie. Pour remédier à ces problèmes, nous présentons une tâche qui comprend 4 sous-tâches : la détection d'éléments de circulation, la détection des lignes centrales des voies, le raisonnement sur les relations de connexion entre les voies, et le raisonnement sur les relations d'affectation entre les voies et les éléments de circulation. Nous proposons Separated RoadTopoFormer pour aborder ces questions, un cadre end-to-end qui détecte les lignes centrales des voies et les éléments de circulation tout en raisonnant sur leurs relations. Nous optimisons chaque module séparément pour éviter toute interaction entre eux et les combinons avec quelques ajustements fins. Pour les deux têtes de détection, nous avons adopté une architecture similaire à DETR pour détecter les objets, et pour la tête de relation, nous concaténons deux caractéristiques d'instances provenant des détecteurs frontal et les alimentons au classifieur pour obtenir la probabilité de relation. Notre soumission finale atteint un score OLS de 0,445, ce qui est compétitif tant dans les sous-tâches que dans le score combiné.