A pesar del enorme progreso en el control de consenso de un sistema de múltiples agentes (MAS), el control de consenso basado en modelos es válido solo cuando la suposición sobre el entorno del sistema y sobre el modelo es válida. Para superar esta limitación, varios controles de consenso basados en aprendizaje profundo (DL) aprenden directamente cómo generar una señal de control a partir del control basado en modelos. Dependiendo de la explotación del conocimiento de la estructura de control basada en modelos, se consideraron cuatro modelos de aprendizaje profundo diferentes. Las simulaciones numéricas de MAS con retardos variables en el tiempo y perturbaciones desconocidas verifican que, al proporcionar un rendimiento comparable al control basado en modelos para muchas configuraciones de sistemas diferentes, los controles basados en DL con conocimiento explícito de la estructura de la señal de control son preferibles a aquellos con conocimiento implícito de la señal de control o sin conocimiento, lo que muestra el potencial prometedor del control basado en DL con aprendizaje supervisado.