La planification et la prédiction sont deux modules essentiels de la conduite autonome et ont connu des progrès considérables récemment. Néanmoins, la plupart des méthodes actuelles traitent la planification et la prédiction comme des processus indépendants, ignorant ainsi leur corrélation, ce qui entraîne une négligence des interactions et des changements dynamiques des scénarios de circulation. Pour relever ce défi, nous proposons InteractionNet, un réseau qui utilise le transformer pour partager une raisonnement contextuel global entre tous les participants à la circulation, afin de capturer les interactions et d'interconnecter la planification et la prédiction pour une approche conjointe. De plus, InteractionNet déploie un autre transformer pour aider le modèle à porter une attention particulière à la région perçue contenant des véhicules critiques ou non détectés (unseen vehicles). InteractionNet surpasse d'autres modèles de référence dans plusieurs benchmarks, notamment en termes de sécurité, grâce à l'approche conjointe de la planification et de la prévision. Le code sera disponible sur https://github.com/fujiawei0724/InteractionNet.