Este documento se propuso investigar la utilidad de resolver problemas de evitación de colisiones con la ayuda del aprendizaje profundo por refuerzo en un entorno desconocido, especialmente en espacios compactos, como un pasillo estrecho. Esta investigación tiene como objetivo determinar si un método de evitación de colisiones basado en aprendizaje profundo por refuerzo es superior a los métodos tradicionales, como los métodos basados en campos potenciales y el enfoque de ventana dinámica. Además, el método propuesto de evitación de obstáculos se desarrolló como una de las capacidades para permitir que cada robot en un nuevo sistema robótico, a saber, los Módulos Robóticos Omni-Direccionales Auto-reconfigurables y Transformables (STORM), navegue de manera inteligente y segura en un entorno desconocido. También se presenta en este trabajo una arquitectura de hardware y software bien concebida con características que permiten una mayor expansión y desarrollo paralelo diseñado para los proyectos STORM en curso. Se simuló un módulo STORM virtual con cinemática de dirección deslizante en Gazebo para reducir la brecha entre las simulaciones y las implementaciones en el mundo real. Además, se presentan en detalle comparaciones entre múltiples ejecuciones de entrenamiento de las redes neuronales con diferentes parámetros relacionados con el equilibrio entre la explotación y la exploración durante el proceso de entrenamiento, así como pruebas y experimentos realizados tanto en simulación como en el mundo real. También se proporcionan direcciones para futuras investigaciones en el documento.