La planificación de misiones efectiva, la búsqueda de rutas y el seguimiento de rutas son críticos para los vehículos aéreos no tripulados (UAV) que operan en entornos complejos, dinámicos y con recursos limitados. Los enfoques clásicos de planificación de rutas, que incluyen la búsqueda basada en grafos, métodos basados en muestreo y optimización de trayectorias, proporcionan soluciones estructuradas con garantías de rendimiento, pero a menudo exhiben una adaptabilidad limitada a la incertidumbre, perturbaciones ambientales y restricciones de misión en evolución. El aprendizaje por refuerzo (RL) ofrece una capacidad complementaria al permitir la toma de decisiones adaptativa y la respuesta en línea a obstáculos dinámicos y observabilidad parcial. Este documento examina la planificación de rutas y la navegación de UAV dentro de un marco de Riesgo Calibrado, Certificablemente Seguro y Consciente de Recursos (RCSR), con énfasis en sus implicaciones para la planificación de misiones, la búsqueda de rutas y el seguimiento de rutas. Se revisan técnicas de planificación clásicas junto con avances recientes en navegación basada en RL para sistemas de UAV individuales y múltiples. Se presta especial atención al aprendizaje por refuerzo seguro, la optimización restringida y los mecanismos de garantía de tiempo de ejecución que abordan la seguridad, el cumplimiento normativo y las limitaciones de recursos en implementaciones del mundo real. A través de un análisis comparativo de arquitecturas de planificación clásicas, basadas en aprendizaje y híbridas, este trabajo destaca los principales compromisos entre adaptabilidad, seguridad, costo computacional y eficiencia energética. El documento concluye identificando enfoques de planificación de aprendizaje híbrido como una dirección práctica para sistemas de planificación de misiones de UAV escalables, confiables y desplegables.