En diversas aplicaciones, el filtro de Kalman extendido (EKF) ha sido vital para estimar el movimiento translacional y angular de un vehículo en un espacio tridimensional (3D). También es esencial para la fusión de datos de múltiples sensores. Sin embargo, para que el EKF funcione de manera efectiva, es necesario elegir correctamente la matriz de covarianza del ruido de proceso óptima (Q) y la matriz de covarianza del ruido de medición (R). El uso del EKF ha sido un desafío debido a la necesidad de un mecanismo fácil para seleccionar los valores de Q y R. Como resultado, esta investigación se centró en desarrollar un algoritmo que pueda aplicarse fácilmente para determinar Q y R, lo que nos permite aprovechar todo el potencial del EKF. En consecuencia, se empleó un algoritmo de optimización bayesiana impulsado por estadísticas de consistencia de innovación del EKF para lograr este objetivo. Los valores de Q y R se ajustaron hasta que el resultado esperado cumplió con el requisito de rendimiento para un error mínimo a través de una mejor consistencia de innovación de medición. Los resultados completos demuestran que cuando se utilizaron los valores óptimos de Q y R, ajustados por la técnica sugerida, el rendimiento del EKF mejoró significativamente.