القيادة الذاتية من البداية إلى النهاية تهدف إلى بناء نظام قابل للاشتقاق بالكامل (fully differentiable system)يأخذ البيانات الأولية للمستشعرات كمدخلات ويخرج المسار المخطط له أو إشارات التحكم للمركبة الرئيسية مباشرة. تتبع الأساليب المتقدمة عادةً نموذج "المعلم-الطفل" (Teacher-Student paradigm). يستخدم نموذج المعلممعلومات مميزة (الحالة الحقيقية للوكلاء المحيطين وعناصر الخريطة) لتعلم استراتيجية القيادة. بينما يقتصر نموذج الطفلعلى الوصول إلى البيانات الأولية للمستشعرات ويقوم بنسخ السلوك على البيانات التي جمعها نموذج المعلم. عن طريق القضاء على ضوضاء جزء الإدراك أثناء تعلم التخطيط، يمكن للأعمال المتقدمة تحقيق أداء أفضل باستخدام بيانات أقل بكثيرمقارنة بالأنظمة المرتبطة.ومع ذلك، تحت النموذج الحالي "المعلم-الطفل"، لا يزال نموذج الطفل بحاجة إلى تعلم رأس التخطيط من الصفر، وهو ما قد يكون صعبًا بسبب الطبيعة الزائدة والضوضائية للبيانات الأولية للمستشعرات ومشكلة الالتباس العرضي في نسخ السلوك. في هذا العمل، نسعى إلى استكشاف إمكانية استخدام النموذج القوي للمعلم مباشرة في التخطيط مع السماح لنموذج الطفل بالتركيز أكثر على جزء الإدراك. وجدنا أن حتى عند استخدام نموذج إدراك متقدم، فإن السماح لنموذج الطفل بتعلم المدخلات المطلوبة لنموذج المعلم يؤدي إلى أداء قيادة ضعيف، وذلك بسبب الفرق الكبير في التوزيع بين المدخلات المميزة المتوقعة والحقيقية.لذلك، نقترح DriveAdapter، الذي يستخدم متكيفات (adapters) مع دالة هدف محاذاة الخصائص بين الوحدتين: وحدة الطفل (إدراك) ووحدة المعلم (التخطيط). بالإضافة إلى ذلك، بما أن النموذج القائم على التعلم الخالص للمعلم غير مثالي ويخرق قواعد السلامة بشكل متكرر، فقد اقترحنا طريقة تعلم الخصائص بتوجيه الأفعال مع قناع لتلك الخصائص غير الكاملة للمعلم لحقن المزيد من القواعد المصممة يدويًا في عملية التعلم.