La conduite autonome de bout en bout vise à construire un système entièrement différentiable qui prend en entrée des données brutes des capteurs et produit directement la trajectoire planifiée ou les signaux de contrôle du véhicule égo. Les méthodes d'avant-garde suivent généralement le paradigme « Enseignant-Élève ». Le modèle Enseignant utilise des informations privilégiées (états véritables des agents environnants et éléments cartographiques) pour apprendre la stratégie de conduite. Le modèle Élève n'a accès qu'aux données brutes des capteurs et effectue une imitation de comportement sur les données collectées par le modèle Enseignant. En éliminant le bruit de la partie perception lors de l'apprentissage de la planification, ces travaux d'avant-garde peuvent atteindre de meilleures performances avec beaucoup moins de données comparativement aux systèmes couplés.Cependant, dans le cadre actuel du paradigme Enseignant-Élève, le modèle Élève doit toujours apprendre une tête de planification à partir de zéro, ce qui peut être difficile en raison de la nature redondante et bruyante des entrées brutes des capteurs ainsi que des problèmes causaux liés à l'imitation de comportement. Dans cette étude, nous visons à explorer la possibilité d'utiliser directement le puissant modèle Enseignant pour effectuer la planification tout en permettant au modèle Élève de se concentrer davantage sur la partie perception. Nous constatons que même équipé d'un modèle de perception d'avant-garde, permettre au modèle Élève d'apprendre les entrées requises du modèle Enseignant conduit à une mauvaise performance en conduite, résultant d'un écart important entre les entrées privilégiées prédites et les états véritables.Pour remédier à cela, nous proposons DriveAdapter, qui utilise des adaptateurs avec une fonction objectif d'alignement des caractéristiques entre les modules Élève (perception) et Enseignant (planification). De plus, étant donné que le modèle Enseignant basé uniquement sur l'apprentissage est imparfait et peut occasionnellement enfreindre les règles de sécurité, nous proposons une méthode d'apprentissage guidé par l'action avec un masque pour ces caractéristiques imparfaites du modèle Enseignant afin d'introduire davantage les priorités des règles conçues manuellement dans le processus d'apprentissage.