La recherche sur la conduite autonome bout-en-bout fait actuellement face à un défi majeur : combler l’écart entre l’entraînement en boucle ouverte et le déploiement en boucle fermée. Les approches actuelles sont entraînées pour prédire des trajectoires dans un environnement en boucle ouverte, ce qui les rend peu réactives aux agents dynamiques dans des environnements en boucle fermée, et expose à des plans cinématiquement impossibles en raison de l’écart entre l’entraînement en boucle ouverte et la conduite réelle. Dans cet article, nous proposons Hydra-NeXt, un nouveau cadre de planification à plusieurs branches qui intègre unifiée dans un même modèle la prédiction de trajectoires, la prédiction de commande et un réseau de raffinement de trajectoire. Contrairement aux modèles actuels de prédiction de trajectoires en boucle ouverte, qui ne traitent que des cas généraux, Hydra-NeXt utilise un décodeur de commande pour se concentrer sur les actions à court terme, permettant ainsi une réactivité accrue face aux situations dynamiques et aux agents réactifs. En outre, nous introduisons un module de raffinement de trajectoire, qui améliore et affine les décisions de planification en respectant efficacement les contraintes cinématiques dans les environnements en boucle fermée. Cette approche unifiée réduit efficacement l’écart entre l’entraînement en boucle ouverte et la conduite en boucle fermée, obtenant des performances supérieures sur le jeu de données Bench2Drive : un score de conduite (DS) de 65,89 et un taux de réussite (SR) de 48,20 %, sans dépendre d’experts externes pour la collecte de données. Hydra-NeXt dépasse l’état de l’art précédent de 22,98 points de DS et de 17,49 points de SR, marquant une avancée significative dans le domaine de la conduite autonome. Le code source sera disponible à l’adresse suivante : https://github.com/woxihuanjiangguo/Hydra-NeXt.