Este estudio se centra en una tarea crucial en el campo de la conducción autónoma, el cambio de carril autónomo. El cambio de carril autónomo juega un papel fundamental en la mejora del flujo de tráfico, aliviando la carga del conductor y reduciendo el riesgo de accidentes de tráfico. Sin embargo, debido a la complejidad y la incertidumbre de los escenarios de cambio de carril, la funcionalidad del cambio de carril autónomo aún enfrenta desafíos. En esta investigación, realizamos simulaciones de cambio de carril autónomo utilizando tanto el aprendizaje por refuerzo profundo (DRL) como el control predictivo basado en modelos (MPC). Específicamente, utilizamos el algoritmo de crítico suave parametrizado (PASAC) para entrenar una estrategia de cambio de carril basada en DRL que produce tanto decisiones de cambio de carril discretas como aceleración longitudinal continua del vehículo. También utilizamos MPC para la selección de carriles basada en los menores costos predictivos de seguimiento de vehículos para los diferentes carriles. Por primera vez, comparamos el rendimiento de DRL y MPC en el contexto de decisiones de cambio de carril. Los resultados de la simulación indicaron que, bajo la misma función de recompensa/costo y flujo de tráfico, tanto MPC como PASAC lograron una tasa de colisión del 0%. PASAC demostró un rendimiento comparable al de MPC en términos de recompensas/costos promedio y velocidades de los vehículos.