La complejidad del modelado cinemático directo aumenta con el incremento de los grados de libertad de un manipulador. Para reducir el peso computacional y el retraso en el tiempo para la transformación de salida deseada, este documento propone un modelo cinemático directo mapeado con la ayuda de la arquitectura de Red Neuronal de Función de Base Radial (RBFNN) ajustada por un nuevo algoritmo meta-heurístico, a saber, el Algoritmo de Optimización de Búsqueda Cooperativa (CSOA). La arquitectura presentada es capaz de aprender automáticamente las propiedades cinemáticas del manipulador. El aprendizaje se lleva a cabo de manera iterativa basándose únicamente en la observación de la relación entrada-salida. Se realizan simulaciones relacionadas en un manipulador de 3 Grados de Libertad (DOF) en el Sistema Operativo de Robots (ROS). El conjunto de datos creado a partir de la simulación se divide 65-35 para el entrenamiento-prueba del modelo propuesto. Las métricas utilizadas para la validación del modelo incluyen el valor de dispersión, el costo y el tiempo de ejecución para el conjunto de datos de entrenamiento, y el Error Relativo Medio, el Error Cuadrático Medio Normal y el Error Absoluto Medio para el conjunto de datos de prueba. Se realiza un análisis comparativo del modelo CSOA-RBFNN con una red neuronal artificial, un modelo de regresión de vectores de soporte, y con otros modelos RBFNN meta-heurísticos, es decir, PSO-RBFNN y GWO-RBFNN, que muestran la efectividad y superioridad de la técnica propuesta.