El uso de manipuladores robóticos en aplicaciones de ingeniería e investigación científica ha aumentado significativamente en los últimos años. Esto se puede atribuir al auge de tecnologías como la robótica autónoma y la simulación basada en la física, junto con la utilización de técnicas de inteligencia artificial. El uso de estas tecnologías puede estar limitado debido a un enfoque en un tipo específico de manipulador robótico y una tarea resuelta en particular, lo que puede obstaculizar la modularidad y la reproducibilidad en expansiones futuras. Este documento presenta un método para planificar el movimiento a través de una amplia gama de estructuras robóticas utilizando algoritmos de aprendizaje profundo por refuerzo (DRL) para resolver el problema de alcanzar un objetivo estático o aleatorio dentro de un espacio de configuración predefinido. El documento aborda el desafío de la planificación del movimiento en entornos bajo una variedad de condiciones, incluidos entornos con y sin la presencia de objetos de colisión. Destaca la versatilidad y el potencial para futuras expansiones a través de la integración de OpenAI Gym y el simulador basado en la física PyBullet.