In dieser Arbeit stellen wir ein System vor, das Fahrstrategien aus Erfahrungen trainiert, die nicht nur vom eigenen Fahrzeug (Ego-Fahrzeug), sondern von allen beobachteten Fahrzeugen gesammelt werden. Dieses System nutzt das Verhalten anderer Akteure, um vielfältigere Fahrzeugszenarien zu erzeugen, ohne zusätzliche Daten sammeln zu müssen. Die Haupt Herausforderung beim Lernen aus anderen Fahrzeugen besteht darin, dass keine Sensordaten verfügbar sind. Wir verwenden eine Reihe von Überwachungsaufgaben, um eine Zwischendarstellung zu lernen, die unabhängig von der Perspektive des steuernden Fahrzeugs ist. Dies bietet nicht nur ein reichhaltigeres Signal während des Trainings, sondern ermöglicht auch komplexere Schlussfolgerungen während der Inferenz. Das Erlernen des Fahrens aller Fahrzeuge hilft bei der Vorhersage ihres Verhaltens zur Testzeit und kann Kollisionen vermeiden. Wir evaluieren dieses System in geschlossenen Schleifenfahrzeugsimulationen. Unser System übertrifft alle bisherigen Methoden im öffentlichen CARLA-Leaderboard deutlich, indem es den Fahrpunktestand um 25 Punkte und die Routenabschlussrate um 24 Punkte verbessert. Unsere Methode gewann die CARLA Autonomous Driving Challenge 2021. Der Quellcode und die Daten sind unter https://github.com/dotchen/LAV erhältlich.