La integración de sistemas de transporte autónomo en la minería subterránea ha revolucionado la seguridad y la eficiencia operativa. Sin embargo, el despliegue de sistemas de detección 3D para la navegación de camiones autónomos en dicho entorno enfrenta desafíos persistentes debido al polvo, la oclusión, los terrenos complejos y la baja visibilidad. Esto afecta su fiabilidad y procesamiento en tiempo real. Si bien las revisiones existentes han discutido técnicas de detección de objetos y sistemas basados en sensores, proporcionando valiosos conocimientos sobre sus aplicaciones, solo unas pocas han abordado los desafíos únicos del entorno subterráneo que afectan los modelos de detección 3D. Esta revisión sintetiza los avances actuales en modelos de detección de objetos 3D para la navegación de camiones autónomos en entornos subterráneos. Evalúa algoritmos de aprendizaje profundo, técnicas de fusión, conjuntos de sensores multimodales y conjuntos de datos limitados en un sistema de detección subterránea. Este estudio utiliza búsquedas sistemáticas en bases de datos con criterios de selección relevantes para la percepción subterránea. Los hallazgos de este trabajo muestran que el método de fusión a nivel medio para combinar diferentes conjuntos de sensores mejora la detección robusta. Aunque los modelos de detección basados en YOLO (You Only Look Once) ofrecen un rendimiento superior en tiempo real, persisten desafíos en la detección de objetos pequeños, compensaciones computacionales y escasez de datos. Este artículo concluye identificando lagunas en la investigación y proponiendo direcciones futuras para un sistema de percepción subterránea más escalable y resiliente. La principal novedad es su revisión de sistemas de detección 3D en camiones autónomos.