Este proyecto se centra en el desarrollo de un sistema de control para manipuladores robóticos, combinando técnicas de Control Predictivo por Modelo (MPC) con Redes Neuronales Informadas por Física para Control (PINCs), introducidas en 2024. El objetivo principal es aprovechar el conocimiento físico del sistema dinámico para mejorar la eficiencia y la robustez del control, reduciendo la dependencia de modelos analíticos exactos y mejorando la capacidad de generalización frente a perturbaciones o incertidumbres. Se implementa un esquema de control MPC completo en ROS 2, integrando la comunicación en tiempo real con la simulación del robot y el cálculo de trayectorias articulares. Paralelamente, se entrena una PINC capaz de aproximar la dinámica del manipulador a partir de las ecuaciones físicas del sistema y de la acción de control impuesta, incorporando restricciones de consistencia dinámica en el entrenamiento. Esta red se integra luego dentro del esquema MPC, reemplazando al modelo analítico tradicional y permitiendo predecir la evolución del sistema bajo diferentes secuencias de control. Como metodología de trabajo, se utilizan simulaciones basadas en el modelo del brazo robótico OpenManipulator-X dentro del entorno Gazebo, con el fin de validar el comportamiento del controlador y la precisión de la red en escenarios controlados. Se presentan pruebas comparativas entre controladores con modelo analítico y con modelo neuronal, evaluando desempeño. Los resultados muestran que la incorporación de una red informada por la física dentro del MPC permite mantener el desempeño del control. Además, la integración en ROS 2 proporciona una arquitectura modular y escalable, apta tanto para simulación como para futuras implementaciones físicas. En conjunto, el proyecto demuestra el potencial de las PINCs como modelos predictivos dentro de esquemas de control MPC, y sienta las bases para su aplicación en sistemas robóticos reales.