摘要

作为一种融合感知与推理的新兴任务，自动驾驶场景中的拓扑推理最近引起了广泛关注。然而，现有的研究工作往往强调“感知优先于推理”：它们通常通过增强车道感知来提升推理性能，并直接采用多层感知机（MLP）从车道查询中学习车道拓扑结构。这种范式忽视了车道本身固有的几何特征，并容易受到车道检测中固有端点偏移的影响。为了解决这一问题，我们提出了一种基于车道几何距离和车道查询相似性的可解释方法，命名为TopoLogic。该方法减轻了几何空间中端点偏移的影响，并在语义空间中引入显式的相似度计算作为补充。通过整合两个空间的结果，我们的方法为车道拓扑提供了更加全面的信息。最终，我们的方法在主流基准测试OpenLane-V2上显著优于现有最先进的方法（在TOP$_{ll}$指标上为23.9 vs. 10.9，在子集A的OLS指标上为44.1 vs. 39.8）。此外，我们提出的几何距离拓扑推理方法可以在无需重新训练的情况下融入已训练良好的模型中，显著提升车道拓扑推理的性能。代码已发布在 https://github.com/Franpin/TopoLogic。