Robôs móveis autônomos são um grande foco de pesquisa devido à sua aplicabilidade e interdisciplinaridade. Robôs móveis com roda de direção diferencial, além de possuírem alta não-linearidade, detêm uma característica inerente à sua geometria: suas rodas só podem girar em torno de eixos fixos, sem esterçamento. Com isso, o deslizamento longitudinal e lateral é inevitável, principalmente quando o sistema está em movimento sob efeitos dinâmicos significativos. Controle Preditivo baseado em Modelo Não-Linear, Nonlinear Model Predictive Control (NMPC), é amplamente utilizado nesses casos, já que consegue lidar com sistemas com múltiplas restrições. O presente trabalho apresenta modelos matemáticos de um robô móvel com roda do tipo skidsteer, procedente da direção diferencial, incluindo o deslizamento longitudinal, aos quais o NMPC é empregado para seguimento de trajetória, obtendo trajetórias similares à de referência. Verificando que o custo de processamento de tais controladores pode ser muito alto para uso em tempo real, um controle hierárquico é desenvolvido otimizando as forças longitudinais entre as rodas e o solo para encontrar deslizamentos de referência para uma determinada trajetória a ser seguida. Como em um ambiente real nem todos os estados podem ser medidos, o controle necessita também estimar os estados não medidos. A Estimação de Estados por Horizonte Móvel, (Moving Horizon State Estimation (MHSE)), derivada dos fundamentos do NMPC, foi utilizada para realizar a estimativa, já que possui recursos para manter o sistema sob as restrições. Com o MHSE, o deslizamento do sistema pode ser calculado a partir dos estados estimados para as trajetórias obtidas com o Controle Preditivo baseado em Modelo, (Model Predictive Control (MPC)). Por fim, uma rede neural foi treinada com os estados preditos e estimados com o MHSE para que pudesse substituí-lo para que todo o controle fosse utilizado em tempo real. Com isso, o tempo computacional foi reduzido devido a substituição do MHSE.