La navegación de robots móviles a través del entorno circundante sin colisiones es uno de los comportamientos obligatorios en el campo de la robótica móvil. El movimiento del robot a través de su entorno se logra utilizando sensores y un sistema de control. La aplicación de inteligencia artificial podría predecir el posible movimiento de un robot móvil si este se encuentra con obstáculos potenciales. Los datos utilizados en este documento se obtienen de un robot que sigue paredes y navega por la habitación siguiendo la pared en dirección horaria con el uso de 24 sensores ultrasónicos. La idea de este documento es aplicar un clasificador simbólico de programación genética (GPSC) con búsqueda aleatoria de hiperparámetros y validación cruzada de 5 pliegues para investigar si estos métodos podrían clasificar el movimiento en la categoría correcta (moverse hacia adelante, giro ligero a la derecha, giro agudo a la derecha y giro ligero a la izquierda) con alta precisión. Dado que el conjunto de datos original está desbalanceado, se aplicaron métodos de sobremuestreo (ADASYN, SMOTE y BorderlineSMOTE) para lograr el equilibrio entre las muestras de clase. Estas variaciones del conjunto de datos sobremuestreadas se utilizaron para entrenar el algoritmo GPSC con una búsqueda aleatoria de hiperparámetros y validación cruzada de 5 pliegues. La media y la desviación estándar de la precisión, el área bajo la curva característica de funcionamiento del receptor, la precisión, el recall y los valores se utilizaron para medir el rendimiento de clasificación de las expresiones simbólicas obtenidas. La investigación mostró que las mejores expresiones simbólicas se obtuvieron en un conjunto de datos equilibrado con el método BorderlineSMOTE, con valores de precisión, recall, y área bajo la curva de, respectivamente. La prueba final fue utilizar el conjunto de las mejores expresiones simbólicas y aplicarlas al conjunto de datos original. En este caso, los valores de precisión, recall, y área bajo la curva son iguales a, respectivamente. Los resultados de la investigación mostraron que esta tarea de clasificación simple y no linealmente separable podría resolverse utilizando el algoritmo GPSC con alta precisión.