Existen diversas técnicas para abordar el aprendizaje en la conducción autónoma; sin embargo, todas ellas sufren de algunos problemas. En el caso del aprendizaje por imitación basado en redes neuronales artificiales, el sistema debe aprender a identificar correctamente los elementos del entorno. En algunos casos, se requiere de mucho esfuerzo etiquetar las imágenes con la semántica adecuada. Esto es relevante dada la necesidad de contar con escenarios muy variados para entrenar y así obtener una capacidad de generalización aceptable. En el presente trabajo, proponemos una técnica para el etiquetado semántico automatizado. Está basada en diversas fases de aprendizaje utilizando la superposición de imágenes que combinan escenarios con cromas y escenarios interiores reales. Esto permite la generación de conjuntos de datos aumentados que facilitan el proceso de aprendizaje. También se estudian mejoras adicionales aplicando técnicas de ruido. Para llevar a cabo la validación, se utiliza un modelo de automóvil a pequeña escala que aprende a conducir automáticamente en un circuito reducido. También se realiza una comparación con modelos que no dependen de la segmentación semántica. La principal contribución de nuestra propuesta es la posibilidad de generar conjuntos de datos para escenarios interiores reales con segmentación semántica automática, sin la necesidad de interminables tareas de etiquetado humano.