Das Fahren erfordert die Reaktion auf eine Vielzahl komplexer Umweltbedingungen und Agentenverhaltensweisen. Die explizite Modellierung jeder möglichen Situation ist unrealistisch. Im Gegensatz dazu kann das Imitationslernen in der Theorie Daten von großen Flotten menschengesteuerter Fahrzeuge nutzen. Insbesondere wurde Verhaltensklonung erfolgreich eingesetzt, um einfache visuomotorische Richtlinien von Anfang bis Ende zu lernen. Dennoch bleibt das Skalieren auf den gesamten Spektrum des Fahrverhaltens ein ungelöstes Problem. In dieser Arbeit schlagen wir einen neuen Benchmark vor, um die Skalierbarkeit und die Grenzen der Verhaltensklonung experimentell zu untersuchen. Wir zeigen, dass Verhaltensklonung zu Stand-der-Technik-Ergebnissen führt, einschließlich in unbekannten Umgebungen, indem es komplexe laterale und longitudinale Manöver ausführt, ohne dass diese Reaktionen explizit programmiert wurden. Allerdings bestätigen wir bekannte Einschränkungen (aufgrund von Datensatzverzerrungen und Überanpassung), neue Generalisierungsprobleme (aufgrund dynamischer Objekte und dem Mangel an einem kausalen Modells) sowie Trainingsinstabilitäten, die weitere Forschung erfordern, bevor Verhaltensklonung für den realen Straßenverkehr eingesetzt werden kann. Der Code der untersuchten Verhaltensklonungsansätze ist unter https://github.com/felipecode/coiltraine zu finden.