Muchos esquemas avanzados de asistencia al conductor o controladores de vehículos autónomos se basan en un modelo de movimiento del comportamiento del vehículo, es decir, una función que predice cómo reaccionará el vehículo a una entrada de control dada. Los modelos basados en datos, que se basan en datos experimentales o simulados, son muy útiles, especialmente para vehículos difíciles de modelar analíticamente, como los vehículos terrestres para los cuales la interacción suelo-neumático es difícil de modelar desde primeros principios. Sin embargo, los esquemas de aprendizaje están limitados por la dificultad de recopilar grandes cantidades de datos experimentales o tener que depender de simulaciones de alta fidelidad. Este documento explora el potencial de un enfoque que utiliza números adimensionales basados en el teorema de Buckingham para mejorar la eficiencia de los datos para los modelos de aprendizaje, con el objetivo de facilitar el intercambio de conocimientos entre sistemas similares. Un estudio de caso que utiliza vehículos similares a automóviles compara modelos tradicionales y adimensionales en datos simulados y experimentales para validar los beneficios del nuevo enfoque de aprendizaje adimensional. Los resultados preliminares del estudio de caso presentado muestran que este nuevo enfoque adimensional podría acelerar la tasa de aprendizaje y mejorar la precisión de la predicción del modelo al transferir el modelo aprendido entre varios vehículos similares. Se encontró que las mejoras en la precisión de la predicción con el esquema adimensional al utilizar una base de datos compartida, es decir, predecir el movimiento de un vehículo basado en datos de varios vehículos diferentes, fue un 480% más preciso para predecir una maniobra simple sin deslizamiento basada en datos simulados y un 11% más preciso para predecir una maniobra de frenado altamente dinámica basada en datos experimentales. Se demostró que un esquema de aprendizaje informado por la física modificado con características adimensionales hechas a mano también aumentó la mejora de las ganancias de precisión en un 917% y un 28% respectivamente. Un estudio comparativo también muestra que el uso del teorema de Buckingham es un paso de preprocesamiento mucho más efectivo para esta tarea que el análisis de componentes principales (PCA) o simplemente normalizar los datos. Estos resultados muestran que el uso de variables adimensionales es una herramienta prometedora para ayudar en la tarea de aprender un modelo de movimiento más generalizable para vehículos, y por lo tanto potencialmente aprovechar los datos generados por flotas de vehículos en la carretera aunque no sean idénticos.