El campo de investigación de vehículos autónomos autoconducidos se ha vuelto recientemente cada vez más popular. Además, la tecnología de planificación de movimiento es esencial para los vehículos autónomos porque mitiga los obstáculos prevalecientes en la carretera. Aquí, se aplicó una arquitectura basada en una red de aprendizaje profundo que se integró con VGG16 y la unidad recurrente con compuertas (GRU) para el seguimiento de carriles en carreteras. La imagen de entrada normalizada se alimentó a la capa de salida VGG16 de tres capas como un patrón y a la capa de salida GRU como la última capa. A continuación, los datos procesados se alimentaron a las dos capas totalmente conectadas, con una capa de abandono añadida entre cada capa. Posteriormente, para evaluar el modelo basado en una red de aprendizaje profundo, se predijeron como parámetros de salida el ángulo de dirección y la velocidad de la tarea de control. Se realizaron experimentos utilizando un conjunto de datos del simulador de Udacity y un conjunto de datos reales. Los resultados muestran que el marco propuesto predijo notablemente ángulos de dirección en diferentes direcciones. Además, el enfoque propuesto logró errores cuadráticos medios más altos de 0.0230 y 0.0936 y tiempos de inferencia de 3-4 y 3 ms. También implementamos nuestro marco propuesto en la plataforma integrada NVIDIA Jetson (Jetson Nano 4 GB) y lo comparamos con el tiempo computacional de la GPU. Los resultados revelaron que el sistema integrado tardó 45-46 s en ejecutar una sola época para predecir el ángulo de dirección. Los resultados muestran que el marco propuesto genera una planificación de movimiento fructífera y precisa para el seguimiento de carriles en la conducción autónoma.