Los manipuladores robóticos son herramientas muy valiosas que se han vuelto ampliamente utilizadas en la industria, ya que pueden lograr una gran precisión y velocidad en tareas de recogida, colocación y procesamiento. Sin embargo, para desbloquear su potencial completo, algunos problemas como la cinemática inversa (IK) deben ser resueltos: dado un objetivo cartesiano, se necesita un método para encontrar la configuración correcta para que el robot alcance ese punto. Otro problema que debe abordarse al tratar con manipuladores robóticos es el problema de evitar obstáculos. Los espacios de trabajo suelen estar abarrotados y el manipulador debe poder evitar chocar con objetos que podrían dañarlo, así como consigo mismo. Dos alternativas existen para hacer esto: se puede diseñar un controlador que calcule la mejor acción para cada momento dado el estado del manipulador, o se puede planificar una secuencia de movimientos para ser ejecutada por el robot. Enfoques clásicos para todos estos problemas, como métodos numéricos o analíticos, pueden producir resultados precisos pero requieren un alto tiempo de computación y no siempre convergen. Los métodos basados en aprendizaje han ganado considerable atención al abordar el problema de IK, así como la planificación y control de movimiento. Estos métodos pueden reducir el costo computacional y proporcionar resultados para cada situación evitando singularidades. Este artículo presenta una revisión de la literatura de los avances realizados en los últimos cinco años en el uso de Redes Neuronales Profundas (DNN) para IK en relación con el control y la planificación con y sin obstáculos para manipuladores robóticos rígidos. La literatura ha sido organizada en varias categorías dependiendo del tipo de DNN utilizado para resolver el problema. Las principales contribuciones de cada referencia son revisadas y los mejores resultados se presentan en tablas de resumen.