En la visión del Internet de las Cosas, un objeto incrustado en el mundo físico es reconocible y se vuelve inteligente al comunicar datos sobre sí mismo y al acceder a información agregada de otros dispositivos. Uno de los tipos de información más útiles para las interacciones entre objetos se refiere a su movimiento. Los dispositivos móviles pueden inferir su posición al explotar un acelerómetro incrustado. Sin embargo, la doble integración de la aceleración puede no garantizar una estimación confiable del desplazamiento del dispositivo (es decir, la diferencia en la nueva ubicación). De hecho, el ruido y los errores de medición afectan drásticamente la evaluación. Este documento investiga los beneficios y desventajas del uso del filtro de Kalman como técnica de corrección para lograr una estimación más precisa del desplazamiento. El enfoque se evalúa con dos acelerómetros incrustados en dispositivos comerciales: un teléfono inteligente y una plataforma de sensores. Los resultados muestran que la técnica basada en el filtro de Kalman reduce drásticamente el error porcentual, en comparación con la evaluación realizada por la doble integración de los datos de aceleración; en particular, la precisión se mejora hasta en un 72%. Al mismo tiempo, la sobrecarga computacional debido al filtro de Kalman se puede considerar despreciable en casi todos los escenarios de aplicación.