El artículo analiza las capacidades del algoritmo Deep Q-Network (DQN) para controlar un agente autónomo en un entorno dinámico de conflicto y revisa métodos alternativos de apoyo inteligente a la toma de decisiones. Se presentan los principales elementos del entorno de modelado, la arquitectura del modelo DQN y su proceso de entrenamiento, así como un análisis de los resultados experimentales. Se presenta una clasificación separada y un análisis comparativo de los enfoques basados en reglas, árboles de comportamiento, Monte Carlo Tree Search (MCTS) y otros enfoques de aprendizaje profundo por refuerzo en el contexto de los sistemas robóticos. Se describen ejemplos de escenarios de aplicación y posibilidades de integración de DQN con estos enfoques. Los resultados demuestran las ventajas y limitaciones de cada método, así como las perspectivas de su uso combinado.