En un vehículo, los sensores de velocidad de las ruedas y las unidades de medida inercial (IMUs) están presentes a bordo, y sus datos en bruto se pueden utilizar para la estimación de localización. Tanto los sensores de las ruedas como las IMUs enfrentan desafíos como el sesgo y el ruido de medición, que se acumulan como errores con el tiempo. Incluso una ligera inexactitud o un error menor pueden hacer que el sistema de localización sea poco fiable e inutilizable en cuestión de segundos. Los algoritmos tradicionales, como el filtro de Kalman extendido (EKF), se han aplicado durante mucho tiempo en sistemas no lineales. Estos sistemas tienen ruido blanco tanto en el sistema como en el modelo de estimación. Estos enfoques requieren un profundo conocimiento de las características del ruido no lineal de los sensores. Por otro lado, como un subconjunto de la inteligencia artificial (IA), los algoritmos basados en redes neuronales (NN) no necesariamente tienen estos requisitos estrictos. El presente artículo propone un enfoque de localización basado en IA utilizando memoria a largo y corto plazo (LSTM) y evalúa su rendimiento en comparación con la verdad fundamental.