Hoy en día, las operaciones colaborativas entre Vehículos Operados Remotamente (ROVs) enfrentan considerables desafíos, particularmente en esquemas de líder-seguidor. El entorno submarino impone limitaciones a los módems acústicos, lo que lleva a velocidades de transmisión reducidas y un aumento de la latencia en la transmisión de posición y velocidad de los ROV. Esto complica la comunicación efectiva entre los ROV. Se han empleado métodos tradicionales, como los predictores de Mínimos Cuadrados Recursivos (RLS) y el filtro de Kalman, para abordar estos problemas. Sin embargo, estos enfoques tienen limitaciones para manejar patrones no lineales y perturbaciones en entornos submarinos. Este artículo presenta un predictor de Memoria a Largo y Corto Plazo Convolucional (ConvLSTM) diseñado para mejorar la comunicación y el seguimiento de trayectorias entre ROV en un esquema de líder-seguidor. El ConvLSTM propuesto tiene como objetivo abordar las deficiencias de los métodos anteriores adaptándose de manera efectiva a las condiciones variables, incluidas las corrientes oceánicas, los retrasos en la comunicación y las interrupciones de señal. Se realizaron simulaciones para evaluar el rendimiento de ConvLSTM y compararlo con otros predictores avanzados, como el Perceptrón Multicapa (MLP) y la Memoria a Largo y Corto Plazo (LSTM), bajo diferentes condiciones. Los resultados demostraron que ConvLSTM logró una mejora del 13.9% en el seguimiento de trayectorias, superando a otros predictores en escenarios que replican condiciones reales submarinas y comunicación entre múltiples vehículos. Estos resultados destacan el potencial de ConvLSTM para mejorar significativamente el rendimiento y la estabilidad de las operaciones colaborativas de ROV en entornos submarinos dinámicos.