Los modelos de conducción, que proporcionan representaciones matemáticas o computacionales del comportamiento humano al volante, son cruciales para los sistemas de conducción inteligente al permitir operaciones estables y repetibles. Sin embargo, los modelos existentes suelen emplear parámetros de ponderación fijos para simular el retraso de vista previa, sin reflejar las diferencias individuales entre conductores y los comportamientos dinámicos en tiempo real. Este artículo propone un Modelo de Conductor de Memoria Cerebral (BMDM) que emula los mecanismos de memoria del cerebro humano para ajustar dinámicamente los pesos de vista previa integrando la curvatura global del camino, la velocidad del vehículo en tiempo real y el par de dirección. Esta emulación implica un proceso de tres etapas: capturar datos en una región de Memoria Instantánea (IM), filtrar datos a través de un mecanismo de olvido en una región de Memoria a Corto Plazo (STM) para reducir la escala, y retener datos en función de la fuerza de correlación en una región de Memoria a Largo Plazo (LTM) para una minería persistente. Al desplegar una base de datos de memoria conductual entrenada, el modelo calibra dinámicamente los pesos de vista previa en función del estado del conductor y las variaciones de curvatura en tiempo real bajo diferentes condiciones de carretera. Esto permite que el modelo simule de manera más precisa las características auténticas de vista previa y mejora su adaptabilidad. Los resultados de simulación de un estudio de caso de dirección automatizada demuestran que el modelo mejorado exhibe un rendimiento de control más cercano al proceso de conducción real, reproduciendo un comportamiento de dirección auténtico dentro del sistema cerrado humano-vehículo-camino desde una perspectiva biomimética inteligente.