En los últimos años, se ha logrado un rápido progreso en la conducción autónoma a través de avances en la detección, el control y el aprendizaje. Sin embargo, a medida que aumenta la complejidad de los escenarios de tráfico, garantizar una interacción segura entre los vehículos sigue siendo un desafío formidable. Trabajos recientes que combinan campos potenciales artificiales (APFs) con métodos de teoría de juegos han mostrado promesas en la modelización de interacciones entre vehículos y en la evitación de colisiones. Sin embargo, estos enfoques a menudo sufren de decisiones excesivamente conservadoras o no logran capturar la dinámica no lineal de la conducción en el mundo real. Para abordar estas limitaciones, proponemos un nuevo marco que integra la teoría de juegos de campo medio (MFG) con el control predictivo basado en modelos (MPC) y la programación cuadrática (QP). Nuestro enfoque aprovecha el comportamiento agregado de los vehículos circundantes para predecir efectos interactivos e incorpora estas predicciones en un esquema MPC-QP para el control en tiempo real. Los resultados de simulación en escenarios de conducción complejos demuestran que nuestro método logra múltiples tareas de conducción autónoma mientras garantiza una operación sin colisiones. Además, el marco propuesto supera a los benchmarks populares basados en juegos en términos de lograr tareas de conducción y producir menos colisiones.