Con el rápido desarrollo de la tecnología de inteligencia artificial (IA) y una creciente demanda de sistemas robóticos redundantes, los sistemas de control de robots se están volviendo cada vez más complejos. Aunque las ecuaciones de cinemática directa (CD) y cinemática inversa (CI) se han utilizado como soluciones básicas y perfectas para el control de la postura del robot, ambas ecuaciones tienen un inconveniente significativo. Cuando un sistema robótico es altamente no lineal, es difícil o imposible derivar ambas ecuaciones. En este artículo, proponemos un nuevo método que puede reemplazar tanto las ecuaciones de CD como las de CI de un manipulador robótico de siete grados de libertad (7-DOF). Este método se basa en el aprendizaje por refuerzo (AR) y redes neuronales artificiales (RNA) para el aprendizaje supervisado (AS). Se utilizó AR para adquirir conjuntos de datos de entrenamiento que consisten en seis datos de postura en el espacio cartesiano y siete datos de ángulo de motor en el espacio de articulaciones. La RNA se utiliza para hacer que los datos de entrenamiento discretos sean continuos, lo que implica que la RNA entrenada infiere cualquier nuevo dato. Se realizaron evaluaciones cualitativas y cuantitativas del método propuesto a través de simulación por computadora. Los resultados muestran que el método propuesto es suficiente para controlar el manipulador robótico de manera tan eficiente como la ecuación de CI.