Una navegación eficiente es crucial para robots móviles inteligentes en entornos complejos. Este artículo presenta un enfoque innovador que integra de manera fluida técnicas avanzadas de aprendizaje automático para mejorar la comunicación y la eficiencia de planificación de rutas de robots móviles. Nuestro método combina aprendizaje supervisado y no supervisado, utilizando interpolación spline para generar rutas suaves con cambios direccionales mínimos. La validación experimental con un robot móvil de tracción diferencial demuestra una eficiencia excepcional en el control de trayectorias. También exploramos Motion Planning Networks (MPNets), un planificador neural que procesa datos de nube de puntos crudos de sensores de profundidad. Nuestros tests demuestran la capacidad de MPNet para crear rutas óptimas utilizando el método Probabilistic Roadmap (PRM). Destacamos la importancia de configurar correctamente los parámetros para una planificación de rutas confiable con MPNet y evaluamos el algoritmo en varios tipos de rutas. Nuestros experimentos confirman que el algoritmo de control de trayectoria funciona de manera efectiva, proporcionando de manera consistente un control de trayectoria preciso y eficiente para el robot.