기존의 많은 단일 경로 조향 각도 예측 모델들의 훈련은 주로 조향 각도를 지도 신호로 사용하여 이루어집니다. 이러한 방법들은 더 풍부한 맥락을 학습하지 않기 때문에, 날카로운 도로 곡선, 어려운 교통 상황, 강한 그림자, 그리고 극심한 조명 변화 등에 취약할 수 있습니다. 본 논문에서는 조향 방향 외에도 훨씬 더 풍부한 맥락적 신호를 제공하는 새로운이고 효과적인 훈련 방법인 이종 보조 네트워크 특성 모방(heterogeneous auxiliary networks feature mimicking)을 통해 예측의 정확성과 견고성을 크게 개선했습니다. 구체적으로, 우리는 관련되지만 다른 작업들을 수행하는 여러 이종 보조 네트워크들(예: 이미지 세그멘테이션 또는 광학 유동 추정)에서 다중 층 지식을 추출하여 우리의 조향 각도 예측 모델을 훈련시켰습니다. 다중 작업 학습과 달리, 우리의 방법은 대상 데이터셋에 대한 관련 작업의 비싼 주석(annotation)이 필요하지 않습니다. 이는 현대적인 오프더shelf 네트워크를 대상 데이터셋에 적용하고, 변환 후 다른 층에서 그 특성을 모방함으로써 가능해졌습니다. 보조 네트워크들은 훈련 후 폐기되며, 이는 우리 모델의 실행 시간 효율성에 영향을 미치지 않습니다. 우리의 접근법은 Udacity와 Comma.ai 데이터셋에서 새로운 최고 성능을 달성하였으며, 각각 기존 최고 성능보다 12.8%와 52.1%라는 큰 마진으로 우수한 결과를 나타냈습니다. 또한 Berkeley Deep Drive (BDD) 데이터셋에서도 긍정적인 결과가 확인되었습니다.