La precisión de posicionamiento en robótica es un tema clave para el proceso de fabricación. Una de las posibles formas de lograr una alta precisión es la implementación de aprendizaje automático (ML), que permite a los robots aprender de su propia experiencia práctica y encontrar la mejor manera de realizar la operación prescrita. Por lo general, los métodos de mejora de la precisión abarcan la generación de un mapa de error de posicionamiento para todo el espacio de trabajo del robot, proporcionando modelos de corrección correspondientes. Sin embargo, la mayoría de los casos prácticos requieren una precisión de posicionamiento extremadamente alta solo en algunos puntos esenciales de la trayectoria. Este documento proporciona una metodología para el enfoque basado en Q-learning profundo en línea destinado a aumentar la precisión de posicionamiento en puntos clave mediante el análisis de las propiedades del robot determinadas experimentalmente y su impacto en la precisión general. Utilizando el robot KUKA-YouBot como sistema de prueba, realizamos experimentos de medición de precisión en los siguientes tres ejes: (i) después de un largo período de inactividad, (ii) utilizando diferentes cargas y (iii) a diferentes velocidades. Para utilizar estos datos para ML, se definen las relaciones entre el tiempo de funcionamiento del robot desde el encendido, la carga y la precisión de posicionamiento. Además, se evalúan las vibraciones del agarre cuando el brazo del robot se mueve a varias velocidades en planos verticales y horizontales. Se encontró que los despejes de los grados de libertad (DOFs) del robot están significativamente influenciados por el calor operativo, lo que afecta su precisión estática y dinámica. La implementación del método de compensación basado en ML propuesto resultó en una disminución del error de posicionamiento en los puntos clave de la trayectoria de más del 30%.