En el pasado reciente, la investigación sobre la utilización de algoritmos de aprendizaje profundo para aplicaciones espaciales ha sido generalizada. Una de las áreas donde estos algoritmos están ganando atención es en la estimación de la pose de naves espaciales, que es un requisito fundamental en muchas operaciones de encuentro y navegación de naves espaciales. Sin embargo, la aplicación de estos algoritmos en operaciones espaciales enfrenta desafíos únicos en comparación con su aplicación en operaciones terrestres. En estas últimas, se ven facilitados por potentes computadoras, servidores y recursos compartidos, como los servicios en la nube. Sin embargo, estos recursos son limitados en el entorno espacial y en las naves espaciales. Por lo tanto, para aprovechar estos algoritmos, se requiere un inferencia a bordo que sea eficiente en términos de energía y costo. Este artículo investiga el uso de un dispositivo híbrido de Matriz de Puertas Programables en Campo (FPGA) y Sistemas en Chip (SoC) para una inferencia eficiente a bordo de la parte de Red Neuronal Convolucional (CNN) de dichos métodos de estimación de pose. En este estudio, se utiliza el dispositivo Zynq UltraScale+ MPSoC de Xilinx y se propone como una solución efectiva de inferencia a bordo. Se compara el rendimiento de la inferencia a bordo y la inferencia en computadora, y se verifica la efectividad de la arquitectura híbrida FPGA-CPU. La inferencia basada en FPGA tiene una precisión comparable a la inferencia basada en PC con una diferencia promedio de error RMS de menos de 0.55. Se han investigado dos modelos de CNN que se basan en la arquitectura de codificador-decodificador en este estudio y se han demostrado tres enfoques para la localización de puntos de referencia.