Le déploiement à grande échelle des véhicules autonomes n’est pas encore réalisé, et l’un des principaux défis restants réside dans les scénarios de circulation dense en milieu urbain. Dans ces situations, il reste difficile de prédire l’évolution future de la scène ainsi que les comportements futurs des objets, ainsi que de gérer les événements rares et défavorables, tels que l’apparition soudaine d’objets masqués. Dans cet article, nous présentons ReasonNet, un nouveau cadre de conduite end-to-end qui exploite de manière approfondie à la fois les informations temporelles et globales de la scène de conduite. En raison de la raisonnement portant sur le comportement temporel des objets, notre méthode permet de traiter efficacement les interactions et les relations entre les caractéristiques présentes dans différentes trames. Le raisonnement sur l’information globale de la scène améliore également les performances globales de perception et favorise la détection d’événements critiques, notamment la prévision de dangers potentiels provenant d’objets occlus. Pour une évaluation complète des événements d’occlusion, nous publions également un benchmark de simulation de conduite, DriveOcclusionSim, comprenant une diversité d’événements d’occlusion. Nous menons des expériences approfondies sur plusieurs benchmarks CARLA, où notre modèle surpassent toutes les méthodes antérieures, se classant en tête sur la piste capteurs du classement public CARLA Leaderboard.