O Clonagem Comportamental Padrão (BC) falha em aprender decisões de condução multimodal, onde múltiplas ações válidas existem para o mesmo cenário. Nós exploramos a Clonagem Comportamental Implícita (IBC) com Modelos Baseados em Energia (EBMs) para capturar melhor essa multimodalidade. Propomos a IBC Aumentada por Dados (DA-IBC), que melhora o aprendizado perturbando ações de especialistas para formar os contraexemplos do treinamento de IBC e usando melhor inicialização para inferência sem derivadas. Experimentos no simulador CARLA com entradas de Visão Aérea demonstram que a DA-IBC supera a IBC padrão em tarefas de condução urbana projetadas para avaliar o aprendizado de comportamento multimodal em um ambiente de teste. As paisagens de energia aprendidas são capazes de representar distribuições de ações multimodais, o que o BC falha em alcançar.
Antonelo et al. (qui,) estudaram esta questão.