Recientemente, se han aplicado métodos de aprendizaje profundo y fusión multisensorial para abordar los desafíos de odometría en vehículos terrestres no tripulados (UGVs). En este artículo, proponemos un marco de odometría visual-lidar-inercial de extremo a extremo para mejorar la precisión de la estimación de pose. Se utilizan imágenes en escala de grises, nubes de puntos 3D y datos inerciales como entradas para superar las limitaciones de un solo sensor. Se emplean redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN) como codificadores para diferentes modalidades de sensores. A diferencia de los métodos de odometría multisensorial anteriores, nuestro marco introduce un novedoso módulo de fusión basado en atención que remapea vectores de características para adaptarse a diversas escenas. Las evaluaciones en el banco de pruebas de odometría del Instituto de Tecnología de Karlsruhe y del Instituto Tecnológico de Toyota en Chicago (KITTI) demuestran la efectividad de nuestro marco.