Este estudio presenta el diseño y desarrollo de un sistema robótico móvil estructuralmente optimizado con un marco de planificación de rutas eficiente en energía basado en aprendizaje automático. Se aplicaron optimización topológica (OT) y análisis de elementos finitos (AEF) para reducir el peso estructural mientras se mantenía la integridad mecánica. Los componentes optimizados se fabricaron utilizando Modelado por Deposición Fundida (MDF) con material ABS (Acrilonitrilo Butadieno Estireno). Se desarrolló una herramienta de análisis de energía personalizada para comparar el consumo energético entre los diseños optimizados e iniciales. Se recopilaron datos de consumo de energía en condiciones del mundo real, incluyendo superficies inclinadas, obstáculos que inducen vibraciones, grava y barreras que alteran la dirección. Con base en este conjunto de datos, se desarrolló un modelo de planificación de rutas utilizando algoritmos de aprendizaje automático, capaz de optimizar simultáneamente tanto la eficiencia energética como la longitud del camino para alcanzar un objetivo predefinido. A diferencia de trabajos anteriores que se enfocan por separado en la optimización estructural o la navegación basada en aprendizaje, este estudio integra ambos dominios dentro de una única plataforma robótica del mundo real. Las evaluaciones de rendimiento demostraron resultados superiores en comparación con métodos de planificación tradicionales, que típicamente optimizan la distancia o la energía de manera independiente y carecen de retroalimentación de consumo en tiempo real. El marco propuesto reduce el consumo total de energía en un 5.8%, reduce el tiempo de prototipado en un 56% y extiende la duración de la misión en aproximadamente un 20%, destacando los beneficios de aplicar conjuntamente la OT y el aprendizaje automático para un diseño robótico sostenible y consciente de la energía. Este enfoque integrado aborda una brecha crítica en la literatura al demostrar que la reducción de peso mecánico y la planificación de rutas inteligente pueden ser co-optimizadas en un sistema robótico desplegable utilizando datos empíricos de energía.