El campo de estudio que compete a esta tesis es referente a la conjunción que existe entre el área de la planificación de movimientos basada en muestreo y redes neuronales profundas. Particularmente se hace uso de la versión asintóticamente óptima del planificador Stable Sparse Rapidly-Exploring Random Tree (SST*) para generar trayectorias asintóticamente-mínimas en tiempo, considerando sistemas con restricciones de movimiento (sistemas no holonómicos) y distintos órdenes en la dinámica de los modelos. Los estados intermedios que componen a las trayectorias obtenidas por el planificador SST*, en conjunto con los controles que las generaron, conforman las entradas y salidas, respectivamente, del conjunto de entrenamiento para una nueva variante de la red MPNet. Esto contrasta con otros trabajos de planificación para sistemas con restricciones diferenciales en los que se proponen redes neuronales que infieren estados que sirven como guía para que otro método complementario genere los controles que respeten la dinámica del sistema. El método propuesto utiliza una red neuronal para inferir directamente los controles del sistema (más un tiempo de aplicación de los mismos), acelerando el tiempo de generación de trayectorias hasta en tres órdenes de magnitud con respecto a otros métodos basados en aprendizaje, esto sin mencionar que también se obtiene un tiempo de cómputo significativamente menor al método SST*. Finalmente, se estudia el desempeño que tiene esta variante de la red MPNet al ser entrenada con trayectorias cuyos estados iniciales se encuentran dentro de una vecindad, y como se generaliza el proceso de planificación al considerar estados iniciales de otros vecindarios.