Este documento presenta una novedosa estrategia de control de formación líder-seguidor para vehículos autónomos, con el objetivo de lograr un seguimiento preciso de la trayectoria en entornos inciertos. El enfoque se basa en una ley de guía de grafo que calcula los ángulos de guiñada y las velocidades deseadas para los vehículos seguidores utilizando la trayectoria de referencia del líder, mejorando la estabilidad y predictibilidad del sistema. Una innovación clave es el desarrollo de un Controlador de Rendimiento Prescrito Adaptativo Neural (NA-PPC), que incorpora una Red Neuronal de Función de Base Radial (RBFNN) para aproximar la dinámica del sistema no lineal y mejorar la precisión de la estimación de perturbaciones. El método propuesto permite un seguimiento de trayectoria de alta precisión y el mantenimiento de la formación bajo perturbaciones aleatorias, lo cual es vital para la logística de vehículos autónomos y las tecnologías de detección. Aprovechando una ley de guía basada en grafo se reduce la complejidad del control y se mejora la robustez contra perturbaciones externas. La inclusión de filtros de segundo orden y RBFNN adaptativos mejora aún más el manejo de errores no lineales, mejorando el rendimiento, la estabilidad y la precisión del control. La integración de leyes de guía, estrategias de control líder-seguidor, técnicas de backstepping y RBFNNs crea un sistema robusto de control de formación capaz de mantener el rendimiento bajo condiciones dinámicas. Simulaciones computacionales exhaustivas validan la efectividad de este controlador, resaltando su potencial para avanzar en el control de formación de vehículos autónomos.