Este documento presenta una comparación experimental entre dos métodos existentes representativos de dos categorías de algoritmos de estimación de pose 6D que se utilizan comúnmente en la comunidad de robótica. La primera categoría incluye métodos puramente de aprendizaje profundo, mientras que la segunda incluye enfoques híbridos que combinan pipelines de aprendizaje y razonamiento geométrico. El método híbrido considerado en este documento es un pipeline de una red neuronal profunda a nivel de instancia basada únicamente en datos RGB y un algoritmo de refinamiento de pose geométrica basado en la disponibilidad del mapa de profundidad y el modelo CAD del objeto objetivo. Tal método puede manejar objetos cu cuyas dimensiones difieren de las del CAD. El método de aprendizaje puro considerado en esta comparación es DenseFusion, un algoritmo de estimación de pose de vanguardia consolidado seleccionado porque utiliza los mismos datos de entrada, a saber, imagen RGB y mapa de profundidad. La comparación se lleva a cabo probando la tasa de éxito de las operaciones de recogida y colocación de alimentos frescos. El escenario de recolección de frutas ha sido seleccionado para la comparación porque es desafiante debido a la alta variabilidad de las instancias de objetos en apariencia y dimensiones. Los experimentos realizados con manzanas y limones muestran que el método híbrido supera al de aprendizaje puro en términos de precisión, lo que permite así la operación de recogida y colocación de frutas con una tasa de éxito más alta. También se presenta una extensa discusión para ayudar a la comunidad de robótica a seleccionar la categoría de algoritmos de estimación de pose 6D más adecuada para la aplicación específica.