El control autónomo de los módulos lunares es esencial para el éxito de las misiones espaciales, donde la precisión y la eficiencia son cruciales. Este estudio presenta una nueva estrategia de control que aprovecha controladores proporcionales, integrales y derivativos (PID) para gestionar la altitud, actitud y posición de un módulo lunar, considerando la masa variable en el tiempo y el comportamiento de oscilación. Además, se desarrollan modelos de redes neuronales para aproximar las propiedades de masa del módulo a medida que cambian durante el descenso. El desafío radica en las variaciones significativas de masa debido al consumo de combustible, oxidante y presurizador, que afectan la inercia del módulo y el comportamiento de oscilación, complicando los esfuerzos de control. Hemos desarrollado un modelo orientado al control que incorpora estas dinámicas de masa, empleando múltiples controladores PID para linearizar el sistema y mejorar la precisión del control. La altitud se mantiene mediante un controlador PID, mientras que otros dos ajustan los ángulos del gimbal del control de vector de empuje (TVC) para gestionar el cabeceo y el alabeo, con un cuarto controlador que gobierna el guiñada a través de un sistema de control de reacción (RCS). Un controlador PD en cascada gestiona aún más la posición alimentando comandos a los controladores de actitud, asegurando que el módulo alcance su ubicación objetivo. El mecanismo de TVC del módulo, equipado con un gimbal esférico, proporciona empuje en la dirección deseada, con ángulos de control regulados por los controladores PID. Para mejorar la precisión del modelo, hemos introducido retrasos temporales causados por la dinámica de fluidos y la respuesta del actuador, modelados a través de dinámica de fluidos computacional (CFD). Los efectos de oscilación de fluidos también se simulan como fuerzas externas que actúan sobre el módulo. Las redes neuronales se entrenan utilizando datos derivados de simulaciones de diseño asistido por computadora (CAD) del vehículo lunar, específicamente el tensor de inercia y el centro de masa (COM) basado en los niveles de masa variables en los tanques. Las redes neuronales entrenadas (NNs) pueden entonces utilizar los niveles de los tanques del módulo y la orientación para informar y predecir con precisión el COM y el tensor de inercia del módulo en tiempo real durante la misión. Las implicaciones de esta investigación son significativas para futuras misiones lunares, ofreciendo mayor seguridad y eficiencia en las operaciones de descenso y aterrizaje del vehículo. Nuestro enfoque permite la estimación en tiempo real del estado del módulo y la ejecución precisa de maniobras, verificadas a través de simulaciones numéricas complejas de las fases de descenso, suspensión y aterrizaje.