Sterowanie predykcyjne (model predictive control, MPC) to metoda sterowania, która w każdej chwili „myśli do przodu”. Korzystając z matematycznego modelu robota, przewiduje, jak system zachowa się w ciągu najbliższych ułamków sekundy przy różnych wyborach akcji, i wybiera tę sekwencję, która najlepiej realizuje cel, nie naruszając żadnych ograniczeń (limitów silników, równowagi, kontaktu z podłogą). Wykonuje jedynie pierwszy krok tej sekwencji, po czym w następnej chwili powtarza cały proces obliczeniowy z nowymi danymi z czujników — strategię tę nazywa się receding horizon, czyli przesuwającym się horyzontem.
Siłą MPC jest właśnie zdolność do uwzględniania ograniczeń z wyprzedzeniem i optymalizowania. W odróżnieniu od prostego regulatora, który jedynie reaguje na aktualny błąd, MPC planuje: może na przykład pochylić robota do przodu już teraz, ponieważ „widzi”, że za pół sekundy będzie potrzebował przyspieszyć. W humanoidalnym chodzeniu ma to kluczowe znaczenie, gdyż równowaga wymaga decyzji z wyprzedzeniem.
MPC jest ściśle powiązane ze sterowaniem całego ciała — często tworzą razem jeden układ sterowania — oraz z kryterium stabilności ZMP, które bywa jednym z ograniczeń w optymalizacji. Jakość MPC zależy od jakości wewnętrznego modelu; w tym sensie MPC jest inżynierskim wariantem planowania z wykorzystaniem modelu świata.
MPC to sprawdzona, dobrze rozumiana technologia stanowiąca rdzeń sterowania wielu dynamicznie chodzących humanoidów — od platform badawczych, takich jak TALOS i Kangaroo, po roboty komercyjne. Jego ceną jest złożoność obliczeniowa: optymalizacja musi być przeprowadzana sto razy na sekundę, co stawia wysokie wymagania pokładowemu sprzętowi oraz uproszczeniu modelu tak, aby obliczenia zdążyły się wykonać na czas.