Los vehículos de conducción autónoma (ADVs) son máquinas inteligentes gigantes que perciben su entorno y toman decisiones de conducción. La mayoría de los sistemas de conducción autónoma existentes se construyen como tuberías de percepción-planificación-control diseñadas a mano. Sin embargo, diseñar reglas generales hechas a mano para la conducción autónoma en un entorno urbano es complejo. Un enfoque alternativo es el aprendizaje por imitación (IL) a partir de demostraciones de conducción humana. Sin embargo, la mayoría de los estudios previos sobre IL para la conducción autónoma enfrentan varios desafíos críticos: (1) mala capacidad de generalización hacia el entorno no visto debido a problemas de cambio de distribución, como cambios en las vistas de conducción y condiciones climáticas; (2) falta de interpretabilidad; y (3) en su mayoría entrenados para aprender una única tarea de conducción. Para abordar estos desafíos, proponemos una red de planificación y control atenta espaciotemporal invariante a la vista para vehículos autónomos. El método propuesto primero extrae representaciones espaciotemporales de imágenes de una secuencia de vista de conducción frontal y superior a través de un Siamese 3DResNet atento. Luego, se emplea la pérdida de discrepancia de media máxima (MMD) para minimizar las discrepancias espaciotemporales entre estas vistas de conducción y producir una representación espaciotemporal invariante, lo que reduce el cambio de dominio debido al cambio de vista. Finalmente, se emplea el método de aprendizaje multitarea (MTL) para entrenar conjuntamente la planificación de trayectorias y las tareas de control de alto nivel basadas en representaciones aprendidas y movimientos previos. Los resultados de extensivas evaluaciones experimentales en un gran conjunto de datos de conducción autónoma con diversas condiciones climáticas/iluminación verificaron que el método propuesto es efectivo para la planificación y control de movimientos factibles en vehículos autónomos.