Se necesita un movimiento rápido y preciso de robots en muchas aplicaciones industriales. La mayoría de los controladores de movimiento de robots industriales permiten perfiles de movimiento comandados externamente, pero el rendimiento del seguimiento de trayectorias se ve afectado por la dinámica del robot y los controladores de servo de las articulaciones, a los cuales los usuarios no tienen acceso directo y sobre los que tienen poca información. El rendimiento se ve aún más comprometido por los retrasos en la transmisión del comando externo como un punto de referencia al bucle de control interno. Este artículo presenta un enfoque para combinar redes neuronales y controles de aprendizaje iterativo para mejorar el rendimiento del seguimiento de trayectorias para un robot industrial articulado de múltiples ejes. Para una trayectoria deseada dada, el comando externo se refina iterativamente utilizando un simulador dinámico de alta fidelidad para compensar la dinámica del bucle interno del robot. Estas trayectorias deseadas y las correspondientes trayectorias de entrada refinadas se utilizan luego para entrenar redes neuronales multicapa para emular la inversa dinámica de la dinámica no lineal del bucle interno. Mostramos que con un conjunto de entrenamiento suficientemente rico, las redes neuronales entrenadas generalizan bien a trayectorias más allá del conjunto de entrenamiento, como se probó en el simulador. Al aplicar las redes neuronales entrenadas a un robot físico, el rendimiento de seguimiento aún mejora, pero no tanto como en el simulador. Mostramos que el aprendizaje por transferencia cierra efectivamente la brecha entre la simulación y el robot físico. Finalmente, probamos las redes neuronales entrenadas en otros modelos de robots en simulación y demostramos la posibilidad de una red de propósito general. El desarrollo y la evaluación de esta metodología se basan en el robot industrial ABB IRB6640-180 y los paquetes de software ABB RobotStudio.