La raisonnement topologique vise à comprendre de manière exhaustive les scènes routières et à présenter des itinéraires praticables dans le cadre de la conduite autonome. Il nécessite la détection des lignes centrales des routes (voies) et des éléments de circulation, ainsi qu'une analyse approfondie de leurs relations topologiques, c'est-à-dire la topologie voie-voie et la topologie voie-élément de circulation. Dans cette étude, nous montrons d'abord que le score topologique dépend fortement des performances de détection des voies et des éléments de circulation. Par conséquent, nous introduisons un détecteur puissant de voies en 3D et un détecteur amélioré d'éléments de circulation en 2D pour élargir les limites supérieures des performances topologiques. En outre, nous proposons TopoMLP, une pipeline simple mais performante pour le raisonnement topologique en conduite. Sur la base des résultats impressionnants obtenus par la détection, nous développons deux têtes basées sur des MLP simples pour la génération topologique. TopoMLP atteint une performance de pointe sur le benchmark OpenLane-V2, soit 41,2 % d'OLS avec un backbone ResNet-50. C'est également la première solution du premier Défi OpenLane Topology in Autonomous Driving. Nous espérons que cette pipeline simple et robuste apportera de nouvelles perspectives à la communauté. Le code est disponible à l'adresse suivante : https://github.com/wudongming97/TopoMLP.