En el ámbito de los vehículos autónomos, el control de dirección es un proceso que transforma la información obtenida de los sensores en comandos que guían al vehículo en la carretera y evitan obstáculos. Aunque un mayor número de sensores mejora la percepción y aumenta la precisión del control, también aumenta el costo computacional y el número de procesos. Para reducir el costo y permitir la fusión de datos y el control del vehículo como un solo proceso, esta investigación propone un enfoque de fusión de datos formulando una capa de aprendizaje profundo de agregación neurodifusa; este enfoque integra la agregación utilizando medidas difusas como pesos sinápticos difusos, estado oculto utilizando la integral difusa de Choquet y un algoritmo difuso de retropropagación, creando un procesamiento de datos desde diferentes fuentes. Además, implementando un enfoque previo, se propone un modelo neural de conducción autónoma basado en la agregación de un modelo de control de dirección y otro para la detección de obstáculos. Esto fue probado en un entorno de simulación ROS y en un prototipo a escala. La experimentación mostró que el enfoque propuesto genera una autonomía promedio y mejora la suavidad de conducción en comparación con otros métodos de vanguardia.