An overview of non-linear model predictive control (NMPC) is presented, with an extreme bias towards the author's experiences and published results. Challenges include multiple solutions (from non-convex optimization problems), and divergence of the model and plant outputs when the constant additive output disturbance (the approach of dynamic matrix control, DMC) is used. Experiences with the use of fundamental models, multiple linear models (MMPC), and neural networks are reviewed. Ongoing work in unmeasured disturbance estimation, prediction and rejection is also discussed.On présente un aperçu général du contrôle prédictif par modèles non linéaires (NMPC), en mettant l'accent en particulier sur les expériences des auteurs et les résultats publiés. Les défi s incluent des solutions multiples (à partir des problèmes d'optimisation non convexes), ainsi que la divergence entre les sorties de modèle et d'installation lorsque la perturbation de sortie additive constante (la méthode du contrôle de matrice dynamique, DMC) est utilisée. Les expériences avec les modèles fondamentaux, les modèles linéaires multiples (MMPC) et les réseaux neuronaux sont examinées. Le travail actuellement mené sur l'estimation, la prédiction et le rejet des perturbations non mesurées est également examiné.