El aprendizaje por imitación ha mostrado promesas para la conducción autónoma, pero sufre de un cambio de covariables, donde la política tiene un rendimiento deficiente en entornos no vistos. DAgger es un enfoque popular que aborda esto aprovechando las demostraciones de expertos. Sin embargo, las visitas frecuentes de DAgger a estados subóptimos pueden llevar a varios desafíos. Este artículo propone un nuevo marco DAgger que integra la estimación de incertidumbre bayesiana a través de la inferencia variacional de campo medio (MFVI) para abordar este problema. MFVI proporciona estimaciones de incertidumbre mejor calibradas en comparación con métodos anteriores. Durante el entrenamiento, el marco identifica tanto estados inciertos como críticos, consultando al experto solo para estos estados. Esta recolección de datos dirigida reduce la carga sobre el experto y mejora la eficiencia de los datos. Las evaluaciones en el simulador CARLA demuestran que nuestro enfoque supera a los métodos existentes, destacando la efectividad de la estimación de incertidumbre bayesiana y la agregación de datos dirigida para el aprendizaje por imitación en la conducción autónoma.