El control predictivo basado en modelos (MPC) es uno de los métodos más efectivos para abordar problemas de control restringido. Sin embargo, la incertidumbre del sistema de control plantea muchos problemas en su optimización de rendimiento. Para sistemas de servos de alta precisión, la fricción suele ser el principal factor de incertidumbre que afecta la precisión del sistema. Nuestro trabajo se centra en sistemas estocásticos con parámetros desconocidos y propone una estrategia de control predictivo basada en modelos con características de aprendizaje automático que utiliza información preestimada para reducir la incertidumbre. Dentro de este modelo, los parámetros se obtienen utilizando el estimador. La incertidumbre causada por el error de estimación de parámetros en el sistema se parametriza, sirviendo como un componente de control de aprendizaje para reducir la incertidumbre futura. Luego, los parámetros estimados y el estado actual del sistema se utilizan para predecir el estado futuro en el paso. La secuencia de control se calcula bajo el mecanismo de optimización continua del MPC. Después de obtener la salida del sistema, se vuelve a estimar el nuevo valor del parámetro en el siguiente momento. Finalmente, se lleva a cabo el MPC para realizar el mecanismo de optimización dual continuo. En general, la estrategia propuesta optimiza el objetivo de control al tiempo que reduce la incertidumbre del sistema del parámetro futuro y logra un mejor rendimiento del sistema. Los resultados de la simulación demuestran la efectividad del algoritmo.