Los avances tecnológicos en sistemas computacionales han permitido que enfoques muy complejos de visión por computadora y aprendizaje automático funcionen de manera eficiente y precisa. Estos nuevos enfoques pueden considerarse un nuevo conjunto de herramientas para remodelar las soluciones de SLAM visual. Presentamos una investigación sobre las últimas investigaciones neurocientíficas que explican cómo el cerebro humano puede navegar y mapear con precisión entornos desconocidos. La precisión sugiere que la navegación humana no se ve afectada por los desplazamientos de odometría visual tradicionales que resultan del seguimiento de características visuales. Utiliza las estructuras geométricas de los objetos circundantes dentro del espacio navegado. Los objetos identificados y las formas geométricas del espacio anclan la representación espacial estimada y mitigan el desplazamiento general. Inspirado en las técnicas de navegación del cerebro humano, este documento presenta nuestros esfuerzos por incorporar dos técnicas de aprendizaje automático en una solución VSLAM: segmentación semántica y estimación de diseño para imitar las habilidades humanas de mapear nuevos entornos. El sistema propuesto se beneficia de las relaciones geométricas entre los puntos de esquina de los entornos cúbicos para mejorar la precisión de la estimación de trayectorias. Además, la solución SLAM implementada agrupa semánticamente los puntos del mapa y luego rastrea cada grupo de manera independiente para limitar el desplazamiento del sistema. La solución implementada produjo una mayor precisión en la trayectoria y una inmunidad a grandes rotaciones puras.