Este documento presenta un enfoque asistido por aprendizaje para la estimación del estado de robots cuadrúpedos utilizando observaciones de sensores proprioceptivos, incluidos múltiples unidades de medida inercial (IMUs). Específicamente, se utiliza un IMU corporal y cuatro IMUs adicionales fijadas a cada enlace de la pantorrilla del robot para detectar la dinámica del cuerpo y las piernas, además de los codificadores de posición de las articulaciones. Se emplea el filtro de Kalman extendido (KF) para fusionar los datos de los sensores y estimar los estados del robot en el marco del mundo, mejorando la convergencia del KF extendido (EKF). Para eludir los requisitos de las mediciones del sistema de captura de movimiento (mocap) u otros sistemas de visión, se extiende el EKF invariante a la derecha (RI-EKF) para emplear las mediciones del IMU del pie para una mejor estimación del estado, y se presenta un enfoque basado en aprendizaje para estimar las mediciones del sistema de visión para el EKF. Se aprovechan las redes neuronales convolucionales unidimensionales (CNN) para estimar las mediciones requeridas utilizando solo los datos de propriocepción disponibles. Experimentos con datos reales de un robot cuadrúpedo demuestran que la propriocepción puede ser suficiente para la estimación del estado. El enfoque asistido por aprendizaje propuesto, que no depende de datos de sistemas de visión, logra una precisión competitiva en comparación con el EKF que utiliza mediciones de mocap y errores de estimación más bajos que el RI-EKF que utiliza mediciones de múltiples IMUs.