Behavioral Cloning (Verhaltensklonen, BC) ist die direkteste Art, einem Roboter etwas durch Imitation beizubringen. Das Vorgehen ist einfach: Man sammelt einen Datensatz aus Paaren „Beobachtung → Aktion” aus menschlichen Demonstrationen und trainiert das Modell so, dass es für jede Beobachtung genau jene Aktion vorhersagt, die der Mensch in der jeweiligen Situation ausgeführt hat. Aus Sicht des maschinellen Lernens handelt es sich um eine gewöhnliche Aufgabe des überwachten Lernens (Supervised Learning) — der Roboter „klont” das Verhalten des Demonstrators.
Es ist ein Teilbereich des Imitationslernens und oft der erste Schritt, den Hersteller ausprobieren, weil er technisch anspruchslos ist und gut mit der Datenmenge skaliert. Die Demonstrationen stammen typischerweise aus der Teleoperation.
Behavioral Cloning hat eine grundlegende Schwäche, die bereits in den 1980er- und 1990er-Jahren beschrieben wurde: den sogenannten Covariate Shift (Compounding Errors). Das Modell lernt nur aus Zuständen, die der Experte besucht hat. Sobald der Roboter einen kleinen Fehler macht und in eine etwas andere Situation gerät, als er sie je in den Daten gesehen hat, weiß er nicht, wie er reagieren soll — und die Fehler häufen sich, bis es zum Versagen kommt. Eine klassische Veranschaulichung: Ein Auto, das nur aus Fahrten in der Spurmitte trainiert wurde, hat nie gelernt, wie es vom Fahrbahnrand zurückfindet.
Deshalb wird reines Behavioral Cloning in der Praxis verbessert — entweder durch eine klügere Erzeugung von Aktionen mittels Diffusion Policy, durch Ergänzung der Daten um Korrekturen oder durch Kombination mit bestärkendem Lernen. Viele der heutigen End-to-End-Policies von Humanoiden sind im Kern eine ausgefeilte Variante des Behavioral Cloning, nur mit weitaus größerem Datenvolumen und moderner Netzarchitektur.