Un sistema avanzado de asistencia al conductor (ADAS) es fundamental para los sistemas de interacción conductor-vehículo. El modelado y control del comportamiento de conducción mejora significativamente el rendimiento global de los ADAS. Un sistema de asistencia háptica ayuda al conductor proporcionando un par específico en el volante de acuerdo con el perfil de conducción-vehículo-carretera para mejorar el control de la dirección. Sin embargo, el principal problema es diseñar un compensador que maneje las incertidumbres de alto nivel en diferentes escenarios de conducción con asistencia háptica al conductor, donde se consideran diferentes personalidades y diversas percepciones de los conductores. Estas diferencias pueden llevar a un mal rendimiento de conducción si no se tienen en cuenta correctamente. Este documento se centra en el diseño de un compensador sin modelo basado en datos que considere varios comportamientos de conducción con un sistema de retroalimentación háptica. Una red neuronal de retropropagación (BPNN) modela el comportamiento de conducción basado en datos reales de conducción (velocidad, aceleración, orientación del vehículo y ángulo de dirección actual). Luego, el algoritmo genético (GA) optimiza la función de error absoluto de tiempo integral (ITEA) para producir los mejores parámetros de compensación PID múltiples para varios comportamientos de conducción (como acelerar/frenar, mantenerse en el carril y girar), que luego son utilizados por la lógica difusa para proporcionar diferentes comandos de conducción. Se realizó un experimento con cinco participantes en un simulador de conducción. Durante el segundo experimento, siete participantes condujeron en el simulador para evaluar la robustez del propuesto controlador combinado GA proporcional-integral-derivativo (PID) fuera de línea, y el controlador fuzzy-PID aplicado en línea. El tercer experimento se realizó para validar el controlador propuesto basado en datos. Los resultados del experimento y la simulación evaluaron el ITEA del desplazamiento lateral y el ángulo de guiñada durante varios comportamientos de conducción. Los resultados validaron el método propuesto al mejorar significativamente el rendimiento de conducción.