El derrape autónomo es una técnica avanzada que mejora la maniobrabilidad del vehículo más allá de los límites de conducción convencionales. Esta encuesta proporciona una revisión sistemática y completa de la investigación sobre el derrape autónomo publicada entre 2005 y principios de 2025, analizando aproximadamente 80 estudios revisados por pares. Empleamos un enfoque PRISMA modificado para categorizar y evaluar la investigación en dos marcos metodológicos principales: enfoques basados en modelos dinámicos y técnicas de aprendizaje profundo. Nuestro análisis revela que, si bien los métodos dinámicos ofrecen un control preciso cuando se modelan con exactitud, a menudo tienen dificultades para generalizar a entornos desconocidos. En contraste, los enfoques de aprendizaje profundo demuestran una mejor adaptabilidad, pero enfrentan desafíos en la verificación de seguridad y la eficiencia de muestras. Examinamos de manera integral las plataformas experimentales utilizadas en el campo, desde simuladores de alta fidelidad hasta vehículos a escala completa, junto con sus configuraciones de sensores y requisitos computacionales. Esta revisión identifica de manera única brechas críticas en la investigación, incluidas las limitaciones de rendimiento en tiempo real, los desafíos de generalización ambiental, las preocupaciones sobre la validación de seguridad y los problemas de integración con sistemas autónomos más amplios. Nuestros hallazgos sugieren que los enfoques híbridos que combinan el conocimiento basado en modelos con el aprendizaje basado en datos pueden ofrecer el camino más prometedor para capacidades robustas de derrape autónomo en diversas aplicaciones que van desde los deportes de motor hasta la evitación de colisiones de emergencia en vehículos de producción.