Aktuelle end-to-end-autonome Fahrmethoden greifen auf einheitliche modulare Designansätze für verschiedene Aufgaben zurück (z.B. Wahrnehmung, Vorhersage und Planung). Obwohl sie im Sinne der Planungsorientierung mit einem vollständig differenzierbaren Framework optimiert wurden, leiden bestehende end-to-end-Fahrsysteme ohne egozentrische Designs noch unter unzufriedenstellender Leistung und geringerer Effizienz, vor allem aufgrund des rasterisierten Szenenrepräsentationslernens und der redundanten Informationsübertragung. In dieser Arbeit untersuchen wir das menschliche Fahrenverhalten neu und schlagen ein egozentrisches, vollständig spärliches Paradigma vor, genannt DiFSD, für end-to-end-autonomes Fahren. Insbesondere besteht DiFSD hauptsächlich aus einem spärlichen Wahrnehmungsmodul, einem hierarchischen Interaktionsmodul und einem iterativen Bewegungsplaner. Das spärliche Wahrnehmungsmodul führt Detektion, Tracking und Online-Kartierung basierend auf einer spärlichen Repräsentation der Fahrsituation durch. Das hierarchische Interaktionsmodul zielt darauf ab, das Closest In-Path Vehicle / Stationary (CIPV / CIPS) von grob zu fein auszuwählen, wobei es von einem zusätzlichen geometrischen Prior profitiert. Was den iterativen Bewegungsplaner betrifft, werden sowohl die ausgewählten interaktiven Agenten als auch das Ego-Fahrzeug für eine gemeinsame Bewegungsvorhersage berücksichtigt, wobei die ausgegebenen multimodalen Ego-Trajektorien iterativ optimiert werden. Darüber hinaus werden sowohl die positionsbasierte Bewegungsdiffusion als auch die trajektorienbasierte Planungsentrauschung eingeführt, um Unsicherheiten zu modellieren und damit die Trainingsstabilität und -konvergenz des gesamten Frameworks zu verbessern. Umfangreiche Experimente anhand der Datensätze nuScenes und Bench2Drive zeigen die überlegene Planungsleistung und die hohe Effizienz von DiFSD.