自動運転シーンにおいて知覚と推論を統合する新興タスクとして、トポロジー推論が最近広い注目を集めています。しかし、既存の研究では「知覚重視」の傾向が強く、通常は車線の認識を強化することで推論性能を向上させ、車線クエリから直接MLP（多層パーセプトロン）を使用して車線トポロジーを学習しています。このアプローチは車線自体に内在する幾何学的特徴を見落としやすく、また車線検出における固有の終点シフトの影響を受けやすいという問題があります。この課題に対処するために、我々は車線幾何学的距離と車線クエリ類似性に基づく解釈可能な車線トポロジー推論手法を提案します。この手法はTopoLogicと名付けられました。本手法は幾何学的空间における終点シフトの影響を軽減し、意味的空间での明示的な類似度計算を補完的に導入します。両空間からの結果を統合することで、より包括的な情報を提供し、車線トポロジーの理解を深めます。最終的には、当アプローチは主流のベンチマークOpenLane-V2において既存の最先端手法を大幅に上回る性能を示しました（TOP$_{ll}$ll​で23.9対10.9、OLSで44.1対39.8）。さらに、提案した幾何学的距離に基づくトポロジー推論手法は再学習なしで既に十分に訓練されたモデルに組み込むことができ、車線トポロジー推論の性能を大幅に向上させることができます。コードは https://github.com/Franpin/TopoLogic で公開されています。