Este documento aborda el problema de la evitación de singularidades para un clúster de giroscopios de momento de control (CMG) en pirámide, utilizado para el control de actitud de un satélite mediante técnicas de aprendizaje automático (ML). Un conjunto de datos, generado utilizando un algoritmo heurístico, relaciona la configuración inicial del cardán y las entradas de maniobra deseadas con una serie de movimientos del espacio nulo que los cardanes deben ejecutar. Se utilizan dos técnicas de ML: Red Neuronal Profunda (DNN) y Clasificador de Bosque Aleatorio (RFC) para predecir el movimiento nulo requerido para trayectorias que no están incluidas en el conjunto de entrenamiento. La principal ventaja de este enfoque es la explotación de información global recopilada de toda la maniobra en comparación con las leyes de dirección convencionales que solo consideran información local, cerca de la configuración actual del cardán para la optimización y son propensas a extremos locales. La generación del conjunto de datos y las predicciones de los sistemas de ML se pueden realizar fuera de línea, por lo que no se necesitan más cálculos a bordo, lo que proporciona la posibilidad de inspeccionar la forma en que el sistema responde a cualquier maniobra comandada antes de su ejecución. La técnica RFC demuestra una mayor precisión para los datos de prueba en comparación con la DNN, validando que es posible predecir correctamente el movimiento nulo incluso para maniobras que no están incluidas en los datos de entrenamiento.