En este artículo, se presenta una nueva estrategia de muestreo basada en características para el control no lineal de Integral de Trayectoria Predictiva de Modelo (MPPI). Utilizando el enfoque MPPI, el control de retroalimentación óptimo se calcula resolviendo un problema de control óptimo estocástico (OCP) en línea al evaluar la inferencia ponderada de trayectorias estocásticas muestreadas. Aunque el algoritmo MPPI se puede paralelizar excelentemente, el rendimiento en bucle cerrado depende en gran medida de la calidad de la información de las trayectorias muestreadas. Para extraer muestras, se utiliza una densidad de propuesta. El rendimiento del solucionador y, por lo tanto, del controlador es de alta calidad si las trayectorias muestreadas extraídas de esta densidad de propuesta se encuentran en regiones de bajo costo del espacio de estados. En el control MPPI clásico, el espacio de estados explorado está fuertemente restringido por suposiciones que se refieren a la matriz de covarianza del valor de control, que son necesarias para transformar la ecuación estocástica de Hamilton-Jacobi-Bellman (HJB) en una ecuación diferencial parcial lineal de segundo orden. Para lograr un rendimiento excelente incluso con funciones de costo discontinuas, en este nuevo enfoque, se introducen características basadas en el conocimiento para constituir la densidad de propuesta y, por lo tanto, la región de bajo costo del espacio de estados para la exploración. Este artículo aborda la cuestión de cómo se puede mejorar el rendimiento del algoritmo MPPI utilizando una mezcla basada en características de densidades base. Además, el algoritmo desarrollado se aplica a un buque autónomo que sigue una trayectoria y evita colisiones de manera concurrente utilizando una función de frenado de emergencia. Por lo tanto, se aplica y analiza el algoritmo MPPI basado en características tanto en simulaciones como en experimentos a escala real.