現代の自動運転システムは、順序的なモジュールタスク、すなわち認識、予測、計画によって特徴付けられています。多様なタスクを遂行し、高度な知能を達成するためには、現代的なアプローチでは個々のタスクに単独のモデルを展開するか、または分離されたヘッドを持つマルチタスクパラダイムを設計することが一般的です。しかし、これらの方法は累積誤差やタスク間の調整不足に悩まされる可能性があります。そこで我々は、最適なフレームワークを設計し、最適化することで最終目標である自動車の計画を追求すべきだと主張します。この観点から、我々は認識と予測の主要コンポーネントを見直し、これらのタスクが計画に貢献するように優先順位をつけました。ここでは、「統合型自動運転（Unified Autonomous Driving: UniAD）」という最新かつ包括的なフレームワークを紹介します。このフレームワークは全スタックの運転タスクを一つのネットワークに統合しており、各モジュールの利点を最大限に活用するとともに、全体的な視点からエージェント間の相互作用に対する補完的な特徴抽象化を提供することを目指しています。タスク間は統一されたクエリインターフェースを通じて通信され、互いに計画に向けて支援します。我々は困難なnuScenesベンチマークでUniADを具体化しました。広範囲なアブレーション研究により、このような哲学に基づく手法が以前の最先端技術よりもすべての面で大幅に優れていることが証明されています。コードとモデルは公開されています。