Una red ad hoc voladora (FANETs), también conocida como un enjambre de vehículos aéreos no tripulados (UAVs), puede ser desplegada en una amplia gama de aplicaciones que incluyen vigilancia, monitoreo y comunicaciones de emergencia. Los UAVs deben realizar comunicación en tiempo real entre ellos y la estación base a través de un protocolo de enrutamiento eficiente. Sin embargo, diseñar un protocolo de enrutamiento multihop eficiente para FANETs es un desafío debido a la alta movilidad, topología dinámica, energía limitada y corto alcance de transmisión. Recientemente, debido a las ventajas de la optimización multiobjetivo, los protocolos de enrutamiento basados en Q-learning (QL) y conscientes de la posición han mejorado el rendimiento del enrutamiento en FANETs. En este artículo, proporcionamos una revisión exhaustiva de los protocolos de enrutamiento conscientes de la posición basados en QL existentes para FANETs. Abordamos rigurosamente la topología dinámica, los modelos de movilidad y la relación entre QL y el enrutamiento en FANETs, y revisamos ampliamente los protocolos de enrutamiento conscientes de la posición basados en QL existentes junto con sus ventajas y limitaciones. Luego, comparamos cualitativamente los protocolos revisados en términos de características operativas, características y métricas de rendimiento. También discutimos problemas abiertos importantes y desafíos de investigación con posibles direcciones de investigación.