La colaboración humano-robot (HRC) es un área de investigación interdisciplinaria que ha ganado atención en el contexto de la fabricación inteligente. Para abordar los cambios en los procesos de fabricación, HRC busca combinar las impresionantes capacidades físicas de los robots con las habilidades cognitivas de los humanos para diseñar tareas con alta eficiencia, repetibilidad y adaptabilidad. Durante la implementación de una celda HRC, una actividad clave es la programación del robot que tiene en cuenta no solo las restricciones del robot y el espacio de trabajo, sino también las interacciones humanas. Una de las técnicas más prometedoras es la llamada Aprendizaje por Demostración (LfD), este enfoque se basa en una colección de algoritmos de aprendizaje, inspirados en cómo los humanos imitan comportamientos para aprender y adquirir nuevas habilidades. De esta manera, la tarea de programación podría simplificarse y ser proporcionada por el operador del taller. El objetivo de este trabajo es presentar una encuesta sobre esta técnica de programación, con énfasis en escenarios colaborativos en lugar de solo una tarea aislada. La literatura fue clasificada y analizada en función de: los principales algoritmos empleados para el aprendizaje de habilidades/tareas y el nivel de participación humana durante todo el proceso de LfD. Nuestro análisis muestra que la intervención humana ha sido poco explorada y sus implicaciones no han sido consideradas cuidadosamente. Entre los diferentes métodos de adquisición de datos, el método prevalente es la guía física. En cuanto a la modelización de datos, técnicas como Primitivas de Movimiento Dinámico y Aprendizaje Semántico fueron los métodos preferidos para la resolución de tareas de bajo y alto nivel, respectivamente. Este artículo tiene como objetivo proporcionar orientación y perspectivas para investigadores que buscan una introducción a los métodos de programación LfD en el contexto de la robótica colaborativa e identificar oportunidades de investigación.