Wir schlagen ein neues Wissensdistillationsframework vor, das es ermöglicht, einen sensorischen und motorischen Schüleragenten effektiv zu lehren, unter der Anleitung eines privilegierten Lehreragenten zu fahren. Aktuelle Methoden zur Distillation für sensorische und motorische Agenten führen oft zu suboptimal gelerntem Fahrverhalten des Schülers, was wir auf inherent unterschiedliche Eingaben, Modellkapazitäten und Optimierungsprozesse zwischen den beiden Agenten zurückführen. Wir entwickeln ein neues Distillationsverfahren, das diese Einschränkungen behebt und die Lücke zwischen dem sensorischen und motorischen Agenten und seinem privilegierten Lehrer schließt. Unser wesentlicher Ansatz besteht darin, einen Schüleragenten zu gestalten, der lernt, seine Eingabe-Features mit dem privilegierten Vogelperspektivenraum (Bird's Eye View - BEV) des Lehrers auszurichten. Der Schüler kann dann von der direkten Anleitung des Lehrers im Lernen der internen Darstellungen profitieren. Um die schwierige sensorische und motorische Lernaufgabe zu erleichtern, wird das Schülervorhaben durch eine lernschrittweise Betreuungsmethode optimiert, die verschiedene zusätzliche Überwachungen umfasst. Des Weiteren schlagen wir einen hochkapazitativen Imitationslernen-basierten privilegierten Agenten vor, der frühere privilegierte Agenten in CARLA übertrifft und sicherstellt, dass der Schüler sicheres Fahrverhalten erlernt. Unser vorgeschlagener sensorischer und motorischer Agent führt zu einem robusten bildbasierten Verhaltensklonierungsagenten in CARLA, der ohne LiDAR-, historische Beobachtungen, Ensemblemodelle, on-policy Datenaggregation oder Reinforcement Learning die aktuellen Modelle um mehr als 20,6 % in der Fahrleistung übertrifft.