La mayoría de los robots en fábricas hoy en día se operan con estrategias de control convencionales que requieren programación individual en una base de tarea por tarea, sin margen de error. Como alternativa a la planificación de operaciones rudimentarias y técnicas de programación de tareas, el aprendizaje automático ha mostrado una promesa significativa para la planificación de tareas de nivel superior, con el desarrollo de estrategias de control basadas en el aprendizaje por refuerzo (RL). Este artículo revisa la implementación de control combinado tradicional y RL para entornos simulados y reales para validar el enfoque de RL para tareas industriales estándar como alcanzar, agarrar y recoger y colocar. El objetivo de esta investigación es aportar inteligencia al control robótico para que las operaciones robóticas se puedan completar sin definir precisamente el entorno, las restricciones y el plan de acción. Los resultados de este enfoque proporcionan datos preliminares optimistas sobre la aplicación de RL a la robótica del mundo real.