Este estudio presenta una investigación exhaustiva sobre el reconocimiento y pronóstico de caídas para robots reconfigurables que acceden a escaleras mediante el aprovechamiento de técnicas de aprendizaje profundo. El marco propuesto integra algoritmos de aprendizaje automático y redes neuronales recurrentes (RNN), específicamente Memoria a Corto y Largo Plazo (LSTM) y LSTM Bidireccional (BiLSTM), para la detección de caídas de robots de servicio en escaleras. El robot reconfigurable que accede a escaleras sTetro sirve como plataforma, y los datos de caídas necesarios para entrenar los modelos se generan en un entorno de simulación. Se comparan los dos algoritmos de aprendizaje automático y se informa sobre su efectividad en la tarea de reconocimiento de caídas. Los resultados indican que el modelo BiLSTM clasifica eficazmente las caídas con una precisión categórica media del 94.10% en simulación y del 90.02% con experimentos limitados. Además, el modelo BiLSTM se puede utilizar para pronosticar, lo cual es prácticamente valioso para tomar decisiones mucho antes del inicio de una caída libre. Este estudio aporta ideas sobre el diseño e implementación de sistemas de detección de caídas para robots de servicio utilizados para navegar escaleras a través de enfoques de aprendizaje profundo. Nuestros datos experimentales y de simulación, junto con los pasos de simulación, están disponibles para referencia y análisis a través del enlace compartido.