El aprendizaje automático (AA) es una rama de la inteligencia artificial que ha estado desarrollándose a un ritmo dinámico en los últimos años. El AA también está vinculado con el Big Data, que son enormes conjuntos de datos que requieren herramientas y enfoques especiales para procesarlos. Los algoritmos de AA utilizan datos para aprender a realizar tareas específicas o tomar decisiones adecuadas. Este documento presenta una encuesta completa de los enfoques recientes de AA que se han aplicado a la tarea de control de robots móviles, y se dividen en las siguientes categorías: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. También se presenta en el documento la distinción de los métodos de AA aplicados a robots móviles con ruedas y a robots caminantes. Se formulan las fortalezas y debilidades de los métodos comparados, y se proponen perspectivas futuras. Los resultados de la revisión de la literatura realizada permiten afirmar los métodos de AA que se han aplicado a diferentes tareas, tales como: estimación de posición, mapeo del entorno, SLAM, clasificación de terrenos, evitación de obstáculos, seguimiento de caminos, aprendizaje a caminar y coordinación multirrobot. La encuesta nos permitió asociar los algoritmos de AA más comúnmente utilizados con tareas robóticas móviles. Aún existen muchas preguntas abiertas y desafíos, tales como: algoritmos de AA complejos y recursos computacionales limitados a bordo de un robot móvil; toma de decisiones y control de movimiento en tiempo real; la adaptabilidad de los algoritmos a entornos cambiantes; la adquisición de grandes volúmenes de datos valiosos; y la garantía de seguridad y fiabilidad en la operación de un robot. El desarrollo de algoritmos de AA para robots caminantes inspirados en la naturaleza también parece ser un tema de investigación desafiante, ya que existe una cantidad muy limitada de tales soluciones en la literatura reciente.