En el campo del seguimiento de trayectorias para robots tipo automóvil, aunque el control predictivo no lineal del modelo (NMPC) puede manejar bien las restricciones del sistema, su rendimiento en tiempo real es deficiente. Para resolver este problema, se propone un método de control de red neuronal con NMPC como muestra de aprendizaje. El proceso de diseño de este método de control incluye establecer el controlador NMPC basado en el modelo local variable en el tiempo, generar muestras de aprendizaje basadas en este controlador NMPC y entrenar para obtener el controlador de red neuronal. El controlador propuesto se prueba mediante una simulación conjunta de MATLAB y Carsim y se compara con otros controladores. Según los resultados de la simulación, la precisión del controlador de red neuronal es cercana a la del controlador NMPC y mucho mejor que la del controlador Stanley. En todas las simulaciones, el valor absoluto del error de desplazamiento del controlador de red neuronal no supera los 0.2854 m, y el valor absoluto del error de dirección no supera los 0.2279 rad. Además, el rendimiento en tiempo real del controlador de red neuronal es mejor que el del controlador NMPC. El costo de tiempo máximo y el costo de tiempo promedio del controlador de red neuronal son, respectivamente, un 40.91% y un 22.37% más pequeños que los del controlador NMPC bajo las mismas condiciones.