El control de deslizamiento de las ruedas es un aspecto crítico de los sistemas de seguridad de los vehículos, en particular del sistema de frenos antibloqueo (ABS). Diseñar un controlador robusto para el ABS enfrenta el desafío de acomodar su fuerte comportamiento no lineal en diversas condiciones y parámetros de la carretera. Para asegurar un rendimiento óptimo durante el frenado y prevenir el deslizamiento o el bloqueo, el valor ideal de deslizamiento de la rueda se puede determinar a partir del pico de la curva de fricción neumático-carretera y mantenerse a lo largo del proceso de frenado. Entre los diversos enfoques de control, el control predictivo basado en modelos (MPC) demuestra un rendimiento y robustez superiores. Sin embargo, la implementación en línea del MPC enfrenta cargas computacionales significativas y limitaciones en tiempo real, particularmente al tratar con tamaños de problemas más grandes. Para abordar estos problemas, este estudio introduce una metodología de control predictivo robusto offline (RMPC). El enfoque propuesto se basa en la metodología del elipsoide invariante asintóticamente estable robusto, que emplea desigualdades matriciales lineales (LMI) para calcular una colección de leyes de retroalimentación de estado invariante asociadas con una secuencia de elipsoides estables invariante anidados. Los resultados de simulación indican una reducción significativa en la carga computacional con el enfoque RMPC offline en comparación con la implementación en línea, mientras se rastrean de manera efectiva los valores de referencia de deslizamiento de rueda deseados y las restricciones del sistema. Además, el diseño RMPC offline se alinea bien con el diseño MPC en línea y verifica su efectividad en la práctica.