Bien que les technologies de conduite autonome bout-en-bout (E2E-AD) aient connu des progrès significatifs ces dernières années, leurs performances restent insatisfaisantes dans les évaluations en boucle fermée. Le potentiel de l’exploitation de la planification dans la conception des requêtes et des interactions n’a pas encore été pleinement exploré. Dans ce travail, nous introduisons une représentation de requête de planification à plusieurs granularités, intégrant des points de passage hétérogènes — incluant des points spatiaux, temporels et liés au style de conduite — sur diverses configurations d’échantillonnage. Cette approche fournit une supervision supplémentaire pour la prédiction de trajectoire, améliorant ainsi le contrôle précis en boucle fermée du véhicule autonome. Par ailleurs, nous exploitons explicitement les propriétés géométriques des trajectoires planifiées pour extraire efficacement des caractéristiques d’image basées sur des positions physiques, grâce à un mécanisme d’attention déformable. En combinant ces stratégies, nous proposons un nouveau cadre de conduite autonome bout-en-bout, nommé HiP-AD, qui effectue simultanément la perception, la prédiction et la planification au sein d’un même décodeur. HiP-AD permet une interaction complète en permettant aux requêtes de planification d’interagir itérativement avec les requêtes de perception dans l’espace BEV, tout en extrayant dynamiquement des caractéristiques d’image à partir de vues perspectives. Les expérimentations montrent que HiP-AD surpasse toutes les méthodes existantes de conduite autonome bout-en-bout sur le benchmark en boucle fermée Bench2Drive, tout en atteignant des performances compétitives sur le jeu de données réel nuScenes.