Este trabalho investiga o uso de Clonagem de Comportamento (Behavior Cloning - BC) para direção autônoma a partir de uma perspectiva de visão aérea (bird’s-eye view - BEV) em ambientes urbanos simulados. O BC utiliza aprendizado supervisionado para imitar comportamentos de direção de especialistas. Trabalhos anteriores aplicaram o BC no simulador CARLA, mas não abordaram completamente os desafios de cumprimento de semáforos. Nossa abordagem aprimora o BC integrando um estimador de densidade de kernel para ajustar os pesos das amostras de treinamento com base na densidade das ações, melhorando assim o aprendizado de ações raras, mas críticas, como parar em semáforos vermelhos e acelerar em semáforos verdes, especialmente em cenários com poucas demonstrações de especialistas. Usando entradas de BEV, que fornecem uma visão abstrata de cima do ambiente de direção, nosso método simplifica o processo de aprendizado de políticas. A rede neural convolucional (CNN) treinada gera ações de direção e aceleração com base nessas entradas de BEV e em variáveis de estado adicionais. Os resultados experimentais no simulador CARLA demonstram que nosso método de BC ponderado melhora significativamente o desempenho de direção, alcançando maior conclusão de rotas em comparação com o BC padrão. Esta abordagem ponderada provou ser crucial para o aprendizado de comportamentos corretos de direção, particularmente em ambientes de teste não encontrados durante o treinamento, destacando seu potencial para aprimorar a navegação de veículos autônomos.