La predicción precisa de las trayectorias de los vehículos de deslizamiento hipersónico (HGV) es crucial para la defensa, pero los métodos tradicionales enfrentan desafíos debido a la escasez de datos del mundo real y a la dinámica intrincada de estos vehículos. Los enfoques basados en datos y aprendizaje profundo, aunque han surgido en los últimos años, a menudo exhiben limitaciones en la precisión predictiva y la predicción a largo plazo. Por otro lado, las redes neuronales informadas por la física (PINNs) ofrecen una solución al incorporar leyes físicas, pero tratan estas leyes como restricciones en lugar de integrarlas completamente en el proceso de aprendizaje. Este artículo presenta PhysNODE, un novedoso modelo de ODE neural incrustado en la física para la predicción precisa de las trayectorias de HGV, que integra directamente las ecuaciones del movimiento de HGV en una ODE neural. PhysNODE aprovecha una red neuronal para estimar los parámetros aerodinámicos ocultos dentro de estas ecuaciones. Estos parámetros se combinan luego con cantidades físicas observables para formar una función derivada, que se alimenta a un solucionador de ODE para predecir la trayectoria futura. Experimentos exhaustivos utilizando conjuntos de datos simulados de trayectorias de HGV demuestran que PhysNODE supera a los métodos basados en datos y a los informados por la física de última generación, particularmente cuando los datos de entrenamiento son limitados. Los resultados destacan el beneficio de incrustar la física del movimiento de HGV en la ODE neural para mejorar la precisión y estabilidad en la predicción de trayectorias.