لا يزال الانتشار الواسع للمركبات ذاتية القيادة في انتظار حدوثه، وتشكل السيناريوهات المرورية الكثيفة في المدن أحد التحديات الرئيسية المتبقيّة. في هذه الحالات، يظل من الصعب التنبؤ بتطور المشهد في المستقبل وسلوك الكائنات المستقبلية، كما يصعب التعامل مع الأحداث النادرة الضارة مثل الظهور المفاجئ للكائنات المُحجبة. في هذه الورقة، نقدّم "ReasonNet"، إطار عمل جديد قائم على التعلم المتكامل (end-to-end) لقيادة المركبات، يُستخدَم فيه استغلال واسع للبيانات الزمنية والمعلومات الشاملة لمشهد القيادة. من خلال التفكير في السلوك الزمني للكائنات، يمكن لطريقتنا معالجة التفاعلات والعلاقات بين السمات في الإطارات المختلفة بشكل فعّال. كما أن التفكير في المعلومات الشاملة للمشهد يُحسّن من أداء الإدراك العام ويساهم في كشف الأحداث الضارة، وبخاصة التنبؤ بالمخاطر المحتملة الناتجة عن الكائنات المُحجبة. ولتقييم شامل للحوادث المتعلقة بالحجب، أطلقنا أيضًا معيارًا تجريبيًا للمحاكاة القيادة باسم "DriveOcclusionSim"، يتضمن مجموعة متنوعة من حالات الحجب. أجرينا تجارب واسعة على عدة معايير محاكاة CARLA، حيث تفوق نموذجنا جميع الطرق السابقة، واحتل المرتبة الأولى في مسار المستشعرات ضمن قائمة الريادة العامة لـ CARLA.