자율 주행에서 차선 위상 정보를 정확하게 모델링하는 것은 필수적이며, 기존 방법의 한계를 극복하기 위해 Fine-Grained lane topology reasoning framework (TopoFG)를 제안합니다. TopoFG는 Hierarchical Prior Extractor (HPE), Region-Focused Decoder (RFD), Robust Boundary-Point Topology Reasoning (RBTR)의 세 단계를 거쳐, BEV 특징으로부터 세분화된 쿼리를 생성하여 복잡한 차선 구조를 정확하게 모델링합니다. 특히 HPE는 전역 공간적 사전 정보와 지역 시퀀스 사전 정보를 추출하고, RFD는 공간적/시퀀셜 사전 정보를 통합하여 세분화된 쿼리를 구성하며, RBTR은 경계점 쿼리 특징을 기반으로 차선 연결을 모델링하고 토폴로지 디노이징 전략을 사용하여 매칭 모호성을 줄입니다. OpenLane-V2 벤치마크에서 SOTA 성능을 달성했습니다.
