Este documento trata sobre el problema de determinar un presupuesto de energía útil para un robot móvil en un entorno dado sin tener que llevar a cabo medidas experimentales para cada posible tarea de exploración. La solución propuesta utiliza modelos de aprendizaje automático entrenados en un subconjunto de tareas de exploración posibles pero capaces de hacer predicciones sobre escenarios no probados. Además, el modelo propuesto no utiliza modelos cinemáticos o dinámicos del robot, que no siempre están disponibles. El método se basa en una red neuronal con optimización de hiperparámetros para mejorar el rendimiento. Se utiliza una estrategia de optimización de lista tabú para determinar los valores de hiperparámetros (número de capas y número de neuronas por capa) que minimizan el error absoluto relativo porcentual (%RAE) mientras maximizan el coeficiente de correlación de Pearson (R) entre los datos predichos y los datos reales medidos bajo varias condiciones experimentales. Una vez que la red neuronal artificial optimizada está entrenada, se puede utilizar para predecir el rendimiento de un algoritmo de exploración en variaciones arbitrarias de un escenario de mapa de cuadrícula. Basándose en dicha predicción, es posible conocer la energía necesaria para que el robot complete la tarea de exploración. Se realizaron un total de 128 pruebas utilizando un robot que ejecuta dos algoritmos de exploración en un mapa de cuadrícula con el objetivo de localizar un objetivo cuya ubicación no es conocida de antemano por el robot. El consumo de energía experimental se midió y se comparó con la predicción de nuestro modelo. Se obtuvo una tasa de éxito del 96.093%, medida como el porcentaje de pruebas en las que el presupuesto de energía sugerido por el modelo fue suficiente para llevar a cabo la tarea en comparación con la energía real consumida en la prueba, lo que sugiere que el modelo propuesto podría ser útil para la presupuestación de energía en aplicaciones reales de robots móviles.