یکی از مهم ترین شاخص های اصلی در معیار عملکرد خودروهای خودران، سیاست اتخاذشده توسط سیستم خودران در خصوص تعیین سرعت خودرو و زاویه فرمان می باشد. برای تعیین این سیاست همواره محققان با چالش انتخاب روش آموزش بهینه ما بین دو رویکرد سنتی مدولار و مدرن End-to-End مواجه بوده اند. اخیرا تحقیقات زیادی در راستای معرفی رویکرد End-to-End وکاربرد آن در این حوزه انجام شده است. در این پژوهش مدلی بهینه برای پیش بینی رفتار راننده با به کارگیری این رویکرد مدرن در قالب یادگیری عمیق برای آموزش شبکه های عصبی مصنوعی ارایه شده است. به عبارتی دستیابی به مدلی با دقت قابل قبول نسبت به کارهای مشابه در هدایت خودروی خودران مدنظر بوده است. برای این منظور بر اساس بررسی های انجام شده بر روی معماری شبکه های موجود، دو معماری که دارای پتانسیلهای لازم برای دست یابی به این مهم بوده اند انتخاب گردید. همچنین برای نادیده نگرفتن رابطه زمانی بین اسلایدها و نشان دادن وابستگی های زمانی بصری و بررسی تاثیر آن در نتیجه، در آموزش مدل از ترکیب شبکه های عصبی پیچشی (کانولوشنال) با یک نوع شبکه بازگشتی با عنوان حافظه کوتاه مدت بلند LSTM استفاده شده است. در این پژوهش از یک مجموعه داده کامل که در شرایط رانندگی واقعی جمع آوری شده و دارای برچسب بوده و شامل تصاویر و اطلاعات عمق می باشد، استفاده کردیم و با طراحی الگوریتم های آموزشی و بهینه سازی پارامتر های آموزش با استفاده از الگوریتم بهینه سازی آدام چندین مدل آموزش دیده ارایه گردید که از بین نتایج به دست آمده برخی از پیش بینی ها بهینه تر از کارهای مشابه بودند و این امر نشان از تاثیر بی بدیل وابستگی های زمانی در آموزش و اثرگذاری شبکه های بازگشتی در کنار پردازش قوی شبکه های پیچشی را دارد.