This work is about creating a kinematic control to the smart robotic walker, the system must be able to stabilize the robot in a desired position in the environment without obstacles. This work aims to study and evaluate machine learning algorithms on creation of the kinematic model. First, a literature review about machine learning in context of kinematic control was made. Second, the simulation of the robot and the environment was builded with The robotics simulator CoppeliaSim. Third, the control system was created. Two kinematic models were created, both models obtained using supervised learning, the parameters of the neural networks are the kinematics parameters or inspired by the kinematic constraints. In order to training these networks an algorithm to collect data from simulation and another algorithm to preprocessing this data was made. The controller is a feedback control with two proportional-integral-derivate (PID) controllers with the parameters obtained empirically. The models were evaluated using the analytical model and a test dataset. In order to evaluate the kinematic control system, was observed the robot in your position stabilization task where during the task the distance and angle between the robot and the goal were measured, this task was executed four times with four different desired positions. The results of mean square error of the models in the test dataset and the graphs of distance and angle shows that the models are equivalent. The parameters of neural network that have the kinematic equations, show that the wheel radius and the distance between the wheels are proximately to the analytical solution, but the machine learning model found another combination of wheel angles. This work concluded in the literature review that classic approach with PIDs is better than machine learning models, because of memory and processing usage. This work concluded that creating a kinematic control system though the analytical solution is more simpler than with machine learning, and creating a neural network with the parameters inspired by the kinematic constraints produces a model equivalent to the analytical model.O principal objetivo deste trabalho é criar um sistema de controle para um andador robótico inteligente de acionamento diferencial. O sistema deverá ser capaz de mover o robô para uma posição desejada em um ambiente livre de obstáculos. Este trabalho também visa estudar e avaliar algoritmos de aprendizado de máquina na elaboração de um sistema de controle cinemático. Primeiro foi feito um levantamento literário sobre a utilização de aprendizado de máquina para criação de controladores cinemáticos em robôs moveis de acionamento diferencial. Segundo foi construído uma versão do robô no simulador Coppeliasim. Terceiro foi projetado um controlador cinemático, onde dois modelos cinemáticos foram obtidos através dos treinamentos de duas redes neurais artificiais. A quantidade de nós e funções de ativação das redes neurais foram obtidas através das equações que limitam o movimento cinemático do robô. Um modelo faz uma regressão não linear dos parâmetros das equações, já outro modelo realiza uma regressão linear. Os dados utilizados para o treinamento da rede são obtidos através da criação de algoritmos de coleta de dados e pré-processamento. Já o controlador utiliza uma abordagem clássica que possui dois controladores Proporcionais, integrais, derivativos (P.I.D), onde ambos os parâmetros dos P.I.Ds foram obtidos empiricamente. Para avaliar os modelos cinemáticos foi calculado o modelo analítico e mensurado o erro quadrático médio de todos os modelos em um conjunto de testes. Para avaliar todo o sistema foi posicionado um alvo e observado o robô no seu trabalho em chegar até alvo mensurando a distância do robô até o alvo e o seu angulo ao longo do tempo. Os resultados do erro quadrático médio e os gráficos de distância e angulo sobre o tempo mostraram que os dois modelos cinemáticos são equivalentes ao modelo analítico. Comparando os parâmetros do modelo que realiza a regressão não linear com o modelo analítico, percebe-se os parâmetros como os raios das rodas e a distância entre as rodas se aproximaram da solução analítica. No entanto os modelos encontraram um par de ângulos das rodas diferente da solução analítica. Foi concluído durante o levantamento literário que utilizar a abordagem clássica para criar um controlador é melhor do que utilizar aprendizado de máquina no contexto deste trabalho. Aprendizado de máquia usa mais de memória e processamento e possui resultados equiparáveis a abordagem clássica. Foi concluído que encontrar o modelo cinemático de forma analítica é mais simples do que usando algoritmos de aprendizado de máquina, no entanto aplicar a modelagem de sistemas para encontrar os números de camadas e funções de ativação de uma rede neural artificial resultou em um modelo equivalente a solução analítica.