La toma de decisiones es un desafío en la conducción autónoma (AD) en escenarios de autopista debido a los comportamientos impredecibles de los vehículos vecinos, lo que lleva a la necesidad de modelar con precisión las interacciones entre vehículos. Aunque la ego-atención, una variante de la auto-atención, proporciona una forma de extracción de interacciones de objetos, su expresión de características aún necesita mejorar. Este artículo mejora la ego-atención original reponderando las características de los vehículos codificados, obligándolos a prestar más atención a características significativas. Además, diseñamos un módulo de asistencia al conductor basado en reglas (DAM) para aliviar las decisiones erróneas al restringir el espacio de acción. Finalmente, construimos nuestro modelo final de toma de decisiones de AD integrando la ego-atención reponderada propuesta y el DAM en el marco de toma de decisiones de doble entrada entrenado por aprendizaje por refuerzo profundo (DRL) mejorado. Evaluamos nuestro modelo de toma de decisiones en escenarios de autopista. Los resultados muestran que nuestro modelo logra un mejor rendimiento en pasos de éxito (39.95 pasos/episodio), velocidad (29.15 m/s), tiempos de cambio de carril (5.64 veces/episodio) y tasa de finalización de tareas (98%) que los modelos existentes, incluidos DRL-GAT-SA, AE-D3QN-DA y los basados en ego-atención, lo que implica la precisión competitiva en la conducción, la seguridad y la comodidad de nuestro modelo.