Planung und Vorhersage sind zwei wichtige Module des autonomen Fahrens und haben in letzter Zeit enorme Fortschritte gemacht. Dennoch betrachten die meisten existierenden Methoden Planung und Vorhersage als unabhängig voneinander und ignorieren die Korrelation zwischen ihnen, was zu einer Vernachlässigung der Interaktion und dynamischen Veränderungen von Verkehrsszenarien führt. Um dieser Herausforderung gerecht zu werden, schlagen wir InteractionNet vor, das Transformer nutzt, um globales kontextuelles Reasoning unter allen Verkehrsteilnehmern zu teilen, um Interaktionen zu erfassen und Planung und Vorhersage miteinander zu verbinden, um eine gemeinsame Betrachtungsweise zu erreichen. Darüber hinaus setzt InteractionNet einen weiteren Transformer ein, um dem Modell zusätzliche Aufmerksamkeit für den wahrgenommenen Bereich mit kritischen oder unbekannten Fahrzeugen zu ermöglichen. InteractionNet übertrifft andere Baseline-Methoden in mehreren Benchmarks, insbesondere in Bezug auf Sicherheit, was sich aus der gemeinsamen Berücksichtigung von Planung und Vorhersage ergibt. Der Code wird unter https://github.com/fujiawei0724/InteractionNet zur Verfügung gestellt.