Para mejorar la fiabilidad del sistema y mitigar las vulnerabilidades de los Sistemas Globales de Navegación por Satélite (GNSS), es común fusionar la Unidad de Medición Inercial (IMU) y los sensores visuales con el receptor GNSS en el diseño del sistema de navegación, lo que permite compensaciones con posiciones absolutas y reduce las brechas de datos. Para abordar las deficiencias de un Filtro de Kalman (KF) tradicional, como los errores de los sensores, un modelo de sistema no lineal imperfecto y los errores de estimación del KF, se propone una arquitectura ESKF asistida por GRU para mejorar el rendimiento de posicionamiento. Este estudio realiza un Análisis de Modos de Fallo y Efectos (FMEA) para priorizar e identificar los posibles fallos en el entorno urbano, facilitando el diseño de una arquitectura de sistema tolerante a fallos mejorada. Los eventos de fallo primarios identificados son errores de asociación de datos y errores en el entorno de navegación durante condiciones de fallo de desajuste de características, especialmente en presencia de múltiples modos de fallo. Se emplea una arquitectura de sistema de navegación federada híbrida utilizando una Unidad Recurrente Gated (GRU) para predecir incrementos de estado para actualizar el vector de estado en el paso de medición del Filtro de Kalman de Estado de Error (ESKF). El rendimiento del algoritmo propuesto se evalúa en un entorno de simulación en MATLAB bajo múltiples condiciones visualmente degradadas. Los resultados comparativos proporcionan evidencia de que el ESKF asistido por GRU supera al ESKF estándar y a soluciones de vanguardia como VINS-Mono, VIO de extremo a extremo y VIO auto-supervisado, mostrando una mejora en la precisión en entornos complejos en términos de errores cuadráticos medios (RMSE) y errores máximos.