Autonomous driving systems are pivotal for advancing vehicle automation, requiring integrated functionalities across areas such as perception, prediction, planning, and control. Traditional approaches often handle vehicle trajectory prediction and path planning as sequential, isolated modules, which may amplify errors in system performance. Furthermore, industry requires the models to be interpretable to ensure safety and build trust. This research explores a model architecture that merges prediction and planning to form an integrated system. We introduce a context-aware optimisation approach that uses scenario specific data to dynamically adjust kinematic driving constraints. This is done in a way to improve explainability, by adjusting the constraints to varied driving conditions in a transparent way. Initial results indicate that capturing context need a more expressive network and more robust model integration. For future research we therefore suggest exploring the use of more features and a different network that could be able to differentiate better between driving scenarios.

Autonoma körsystem är avgörande för att automatisera bilar och kräver integrerade funktioner inom områden som perception, förutsägelse, planering och manipulation. Traditionella metoder behandlar ofta förutsägelse och vägplanering som sekventiella, isolerade moduler, vilket kan förstärka fel i systemets prestanda. Dessutom kräver industrin att modellerna ska vara tolkningsbara för att garantera säkerhet och bygga förtroende. Denna forskning utforskar en modellarkitektur som sammanför förutsägelse och planering till ett integrerat system. Vi introducerar en kontextdriven optimeringsmetod som använder scenariospecifika data för att dynamiskt justera bilens rörelsebegränsningar. Detta görs på ett sätt som gör systemet mer förklarligt, genom att anpassa sig till varierande körförhållanden på ett transparent sätt. Inledande resultat tyder på att förstå kontext kräver ett mer uttrycksfullt nätverk och robustare modellintegration. För framtida forskning föreslår vi därför att utforska användandet av andra datatyper och nätverk som kan ge bättre förmåga att särskilja mellan olika traffiksituationer.