La llegada de la Industria 4.0, impulsada por la automatización y el análisis de datos en tiempo real, ofrece oportunidades significativas para revolucionar la fabricación, con los robots móviles desempeñando un papel central en el aumento de la productividad. En los talleres inteligentes, la programación de tareas implica no solo asignar trabajo a las máquinas, sino también gestionar la asignación de robots y los tiempos de viaje, ampliando así problemas tradicionales como el Problema de Programación de Talleres (JSSP) y el Problema del Viajante (TSP). Los métodos de solución comunes incluyen heurísticas, metaheurísticas y métodos híbridos. Sin embargo, debido a la complejidad de estos problemas, los modelos existentes a menudo luchan por proporcionar soluciones óptimas eficientes. El aprendizaje automático, particularmente el aprendizaje por refuerzo (RL), presenta un enfoque prometedor al aprender de las interacciones con el entorno, ofreciendo soluciones efectivas para la programación de tareas. Esta revisión sistemática de la literatura analiza 71 artículos publicados entre 2014 y 2024, evaluando críticamente el estado actual del arte de la programación de tareas con robots móviles. La revisión identifica el uso creciente de técnicas de aprendizaje automático y enfoques híbridos para abordar escenarios más complejos, gracias a su adaptabilidad. A pesar de estos avances, persisten desafíos, incluida la integración de la planificación de rutas y la evitación de obstáculos en el problema de programación de tareas, lo cual es crucial para hacer que estas soluciones sean estables y confiables para aplicaciones del mundo real y escalables para flotas más grandes de robots.