TopoLogic : Une Pipeline Interprétable pour le Raisonnement sur la Topologie des Voies dans les Scènes de Conduite

En tant que tâche émergente intégrant la perception et le raisonnement, le raisonnement topologique dans les scènes de conduite autonome a récemment suscité une attention considérable. Cependant, les travaux existants mettent souvent l'accent sur « la perception plutôt que le raisonnement » : ils améliorent généralement les performances du raisonnement en renforçant la perception des lignes de guidage et adoptent directement un MLP pour apprendre la topologie des lignes à partir d'une requête de ligne. Cette approche néglige les caractéristiques géométriques inhérentes aux lignes elles-mêmes et est sujette à être influencée par les décalages intrinsèques des points de terminaison dans la détection des lignes.Pour résoudre ce problème, nous proposons une méthode interprétable de raisonnement topologique des lignes basée sur la distance géométrique des lignes et la similarité des requêtes de ligne, nommée TopoLogic.Cette méthode atténue l'impact des décalages des points de terminaison dans l'espace géométrique et introduit un calcul explicite de similarité dans l'espace sémantique comme complément. En intégrant les résultats provenant des deux espaces, notre méthode fournit une information plus complète pour la topologie des lignes.Finalement, notre approche dépasse significativement les méthodes actuelles de pointe sur le benchmark principal OpenLane-V2 (23,9 contre 10,9 en TOP$_{ll}$ et 44,1 contre 39,8 en OLS sur subset_A). De plus, notre méthode proposée de raisonnement topologique basée sur la distance géométrique peut être intégrée à des modèles bien entraînés sans nécessiter de re-entraînement, ce qui améliore considérablement les performances du raisonnement topologique des lignes. Le code est disponible à l'adresse suivante : https://github.com/Franpin/TopoLogic.