Este documento presenta un algoritmo de árbol aleatorio de exploración rápida basado en evaluación heurística de múltiples indicadores (MIHE-RRT) para abordar los desafíos clave de la planificación de rutas de robots en entornos complejos. La innovación central radica en un novedoso marco de optimización dual que combina el muestreo de secuencia de Hammersley con un mecanismo de evaluación heurística de múltiples indicadores. La secuencia de Hammersley garantiza una cobertura uniforme del espacio de configuración, mientras que el mecanismo de evaluación heurística de múltiples indicadores guía inteligentemente la expansión del árbol a través de un sistema de evaluación tridimensional que incorpora valores de diversidad, distancia y ángulo. Después de generar la ruta inicial, un algoritmo de poda elimina puntos redundantes para producir una ruta final eficiente y práctica. Una extensa validación experimental en cuatro escenarios ambientales diferentes (semi-cerrado, laberinto, caótico y concurrido) demuestra que MIHE-RRT supera a los algoritmos RRT (árbol aleatorio de exploración rápida), IBi-RRT (árbol aleatorio de exploración rápida bidireccional mejorado) y HB-RRT (árbol aleatorio de exploración rápida sesgado de Halton). Los resultados muestran mejoras significativas en la eficiencia de planificación (reducción del 54-88% en el tiempo de ejecución), calidad de la ruta (rutas un 15-24% más cortas) y utilización de recursos computacionales (reducción del 77-94% en nodos). Estas excelentes métricas de rendimiento no solo demuestran las ventajas de MIHE-RRT en entornos complejos, sino que también lo hacen particularmente adecuado para aplicaciones prácticas de navegación de robots que requieren una planificación de rutas confiable y eficiente.