Como infraestructura ampliamente establecida y accesible, las redes locales inalámbricas (WLAN) han surgido como una opción viable para la localización en interiores tanto para usuarios móviles como estacionarios. Sin embargo, las WLAN presentan varios desafíos que deben cumplirse para lograr la localización basada en señales de Wi-Fi y obtener mapas de predicción de cobertura adecuados. Este documento presenta un estudio basado en la aplicación de regresión de árboles adicionales (ETR) para la localización en interiores utilizando mapas de predicción de cobertura. El objetivo del método propuesto es estimar con precisión la posición de un usuario dentro de un área de mapa de entorno de radio (REM) utilizando valores de indicador de fuerza de señal (RSSI) recopilados por un robot móvil. Nuestra metodología consiste en utilizar los valores recopilados de RSSI para construir el REM, que luego se aprovecha para crear un conjunto de datos para la localización en interiores. Este proceso implica rastrear los movimientos de un usuario dentro de un área específica de interés considerando un único punto de acceso. El esquema propuesto explora varios algoritmos de regresión de aprendizaje automático (ML), con ajuste de hiperparámetros realizado para optimizar su rendimiento a través de validación cruzada de 10 pliegues. Para evaluar el REM, empleamos métricas como el error cuadrático medio, error absoluto y error R-cuadrado. Además, evaluamos la precisión de la localización en interiores utilizando métricas de error de ubicación. Entre las técnicas de ML evaluadas, nuestro enfoque propuesto basado en ETR demuestra el mejor rendimiento según estas métricas de error. La combinación de generar mapas de cobertura y utilizar técnicas de regresión para la localización presenta un enfoque potente para analizar el entorno de radiofrecuencia en espacios interiores.