تُعَدُّ زوايا التوجيه الإشراف الرئيسي في تدريب العديد من النماذج الحالية للتنبؤ بزوايا التوجيه من البداية إلى النهاية. ومع ذلك، فإن هذه الأساليب تصبح عرضة للأخطاء في حال وجود منعطفات حادة في الطريق، ظروف المرور الصعبة، ظلال قوية، وتغيرات شديدة في الإضاءة دون الاستفادة من سياقات أكثر غنى. في هذا البحث، نحسن بشكل كبير دقة ومتانة التنبؤات من خلال تقليد ميزات الشبكات المساعدة المتنوعة، وهي طريقة تدريب جديدة وفعالة توفر لنا إشارات سياقية أكثر غنى بالإضافة إلى اتجاه التوجيه. تحديداً، نقوم بتدريب نموذجنا للتنبؤ بزاوية التوجيه عن طريق استخلاص المعرفة متعددة الطبقات من شبكات مساعدة متنوعة تنفذ مهامًا ذات صلة ولكن مختلفة، مثل تقسيم الصور أو تقدير الجريان البصري. على عكس التعلم متعدد المهام، لا يتطلب أسلوبنا هذا توضيحات باهظة الثمن للمهام ذات الصلة على مجموعة الأهداف. يتم تحقيق هذا بإمكانية استخدام الشبكات الجاهزة الحديثة على مجموعة الأهداف وتقليد ميزاتها في طبقات مختلفة بعد التحويل. يتم التخلص من الشبكات المساعدة بعد التدريب دون أن يؤثر ذلك على كفاءة وقت التشغيل لنموذجنا. يحقق نهجنا مستوى جديدًا من أفضل ما تم الوصول إليه على بيانات Udacity و Comma.ai، حيث يتفوق على أفضل النتائج السابقة بنسبة 12.8٪ و52.1٪ على التوالي. كما أظهرت النتائج المشجعة أيضًا على مجموعة بيانات Berkeley Deep Drive (BDD).