Moderne autonome Fahrzeugsysteme zeichnen sich durch modulare Aufgaben in sequenzieller Reihenfolge aus, nämlich Wahrnehmung, Vorhersage und Planung. Um eine breite Vielfalt von Aufgaben zu bewältigen und fortschrittliche Intelligenz zu erreichen, verwenden moderne Ansätze entweder eigenständige Modelle für einzelne Aufgaben oder gestalten ein Multi-Task-Paradigma mit separaten Heads. Allerdings können sie unter kumulativen Fehlern oder mangelhafter Aufgabenkoordination leiden. Stattdessen argumentieren wir, dass ein günstiges Framework entwickelt und optimiert werden sollte, um das ultimative Ziel zu erreichen, nämlich die Planung des selbstfahrenden Fahrzeugs. Aus dieser Perspektive heraus überarbeiten wir die Schlüsselkomponenten innerhalb der Wahrnehmung und Vorhersage und priorisieren die Aufgaben so, dass alle diese Aufgaben zur Planung beitragen. Wir stellen Unified Autonomous Driving (UniAD) vor, einen umfassenden Framework bislang, der alle Fahraufgaben in einem Netzwerk vereint. Es ist sorgfältig konzipiert, um die Vorteile jedes Moduls zu nutzen und ergänzende Merkmalsabstraktionen für Agenteninteraktionen aus einer globalen Perspektive bereitzustellen. Die Aufgaben kommunizieren über einheitliche Abfrageinterfaces, um sich gegenseitig bei der Planung zu unterstützen. Wir implementieren UniAD auf dem anspruchsvollen nuScenes-Benchmark. Durch umfangreiche Abstraktionsstudien wird die Effektivität dieses Ansatzes bewiesen, indem er in allen Aspekten deutlich bessere Ergebnisse als frühere Stand-of-the-Art-Methoden erzielt. Der Code und die Modelle sind öffentlich zugänglich.