Le système moderne de conduite autonome est caractérisé par des tâches modulaires exécutées dans un ordre séquentiel, à savoir la perception, la prédiction et la planification. Pour effectuer une grande diversité de tâches et atteindre un niveau avancé d'intelligence, les approches contemporaines déployent soit des modèles indépendants pour chaque tâche, soit un paradigme multi-tâches avec des têtes distinctes. Cependant, ces approches peuvent souffrir d'erreurs cumulatives ou d'une coordination insuffisante entre les tâches. Nous soutenons au contraire qu'un cadre favorable devrait être conçu et optimisé en vue de l'objectif ultime, c'est-à-dire la planification du véhicule autonome. Dans cette optique, nous réexaminons les composants clés au sein de la perception et de la prédiction, et priorisons les tâches afin que toutes contribuent à la planification. Nous présentons le cadre Unifié de Conduite Autonome (Unified Autonomous Driving) (UniAD), une structure complète et à jour qui intègre l'ensemble des tâches de conduite dans un seul réseau. Il est soigneusement conçu pour tirer parti des avantages de chaque module et fournir des abstractions de fonctionnalités complémentaires pour l'interaction entre les agents d'une perspective globale. Les tâches communiquent via des interfaces de requête unifiées afin de se faciliter mutuellement vers la planification. Nous mettons en œuvre UniAD sur le benchmark nuScenes, connu pour sa difficulté. Grâce à des analyses ablatives exhaustives, l'efficacité de cette philosophie est démontrée par une performance substantiellement supérieure aux états de l'art précédents sous tous les aspects. Le code et les modèles sont disponibles au public.