最近、エンドツーエンドの運転システムにおいて急速な進歩が見られ、特にCARLA（Car Learning to Act）において顕著です。これらのシステムは主要な貢献とは別に、マイナーシステムコンポーネントにも変更を加えています。その結果、改善の源泉が明確でないという問題が生じています。本研究では、CARLAにおける最先端手法にほぼ共通して存在し、観測された進歩にとって重要な2つのバイアスを特定しました。それらは(1) 目標点追従に対する強い帰納的バイアスによる横方向の回復と、(2) 複数モードのウェイポイント予測の縦方向平均化による減速です。私たちはこれらのバイアスの欠点を調査し、原理に基づいた代替案を提案します。当該洞察を取り入れることで、TF++という単純なエンドツーエンド手法を開発しました。この手法はLongest6およびLAVベンチマークで首位となり、Longest6において最良の先行研究よりも11ポイント高い運転スコアを達成しています。