La conduite nécessite de réagir à une grande variété de conditions environnementales complexes et de comportements d'agents. Modéliser explicitement chaque scénario possible est irréaliste. En revanche, l'apprentissage par imitation peut, en théorie, tirer parti des données provenant de grands flottes de voitures conduites par des humains. En particulier, le clonage de comportement a été utilisé avec succès pour apprendre des politiques visuomotrices simples de manière end-to-end, mais l'évolution vers l'ensemble du spectre des comportements de conduite reste un problème non résolu. Dans cet article, nous proposons un nouveau benchmark pour étudier expérimentalement la scalabilité et les limites du clonage de comportement. Nous montrons que le clonage de comportement conduit à des résultats d'état de l'art, y compris dans des environnements inconnus, en exécutant des manœuvres latérales et longitudinales complexes sans que ces réactions soient explicitement programmées. Cependant, nous confirmons les limitations bien connues (liées au biais du jeu de données et au surapprentissage), ainsi que de nouveaux problèmes de généralisation (liés aux objets dynamiques et à l'absence d'un modèle causal), et une instabilité lors de l'entraînement qui nécessitent des recherches supplémentaires avant que le clonage de comportement puisse être appliqué à la conduite en milieu réel. Le code des approches de clonage de comportement étudiées peut être trouvé à l'adresse suivante : https://github.com/felipecode/coiltraine .