Predecir la vida útil restante (RUL) de las baterías de iones de litio (Li-ion) es crucial para prevenir fallos en el sistema y mejorar el rendimiento operativo. Conocer la RUL de una batería permite realizar mantenimiento preventivo o reemplazar la batería antes de que su vida útil expire, lo cual es vital en aplicaciones críticas para la seguridad. La predicción de la RUL de las baterías de Li-ion juega un papel fundamental en su utilización óptima a lo largo de su vida útil y en el apoyo a prácticas sostenibles. Este documento realiza un análisis comparativo para evaluar la efectividad de múltiples modelos de aprendizaje automático (ML) en la predicción de la disminución de capacidad y la RUL de las baterías de Li-ion. Se analizan tres estudios de caso para evaluar el rendimiento de los modelos de ML más avanzados, considerando dos conjuntos de datos distintos. Estos estudios de caso se llevan a cabo bajo diversas condiciones de operación, como temperatura, tasa de carga (C-rate), estado de carga (SOC) y profundidad de descarga (DOD) de las baterías en los Casos 1 y 2, y un conjunto diferente de características y políticas de carga para el segundo conjunto de datos en el Caso 3. Mientras tanto, se consideran diversas características extraídas de los ciclos iniciales del segundo conjunto de datos en el Caso 3 para predecir la RUL de las baterías de Li-ion en todos los ciclos. Además, se introduce un mapeo de características multi-función y multi-objetivo (MFMT) para investigar el rendimiento de los modelos de ML desarrollados en la predicción de la disminución de capacidad de la batería y la RUL en todo el ciclo de vida. Múltiples modelos de ML que se desarrollan para el análisis comparativo en la metodología propuesta incluyen Random Forest (RF), extreme gradient boosting (XGBoost), light gradient-boosting machine (LightGBM), multi-layer perceptron (MLP), long short-term memory (LSTM) y attention-LSTM. Además, se aplica ajuste de hiperparámetros para mejorar el rendimiento de los modelos XGBoost y LightGBM. Los resultados demuestran que el modelo de extreme gradient boosting con ajuste de hiperparámetros (XGBoost-HT) supera a los otros modelos de ML en términos de error cuadrático medio (RMSE) y error porcentual absoluto medio (MAPE) de la disminución de capacidad de la batería y la RUL para todos los ciclos. Los valores de RMSE y MAPE obtenidos para XGBoost-HT en términos de vida útil del ciclo son 69 ciclos y 6.5%, respectivamente, para el tercer caso. Además, el modelo XGBoost-HT maneja el mapeo de características MFMT dentro de un rango aceptable de RMSE y MAPE, en comparación con el resto de los modelos de ML desarrollados y puntos de referencia similares.