El aterrizaje autónomo de vehículos aéreos no tripulados (VANT) depende de una pose relativa 6D precisa entre plataformas. Los métodos existentes de estimación de pose monocular basados en modelos necesitan un modelo 3D preciso del objetivo. No pueden manejar la ausencia de un modelo 3D preciso. Este artículo adopta las restricciones de geometría de múltiples vistas dentro de la secuencia de imágenes monoculares para resolver el problema. Se introduce un enfoque novedoso para la estimación de pose monocular, que optimiza conjuntamente el modelo 3D del objetivo y la pose relativa 6D. Proponemos representar el modelo 3D del objetivo utilizando un conjunto de puntos de referencia 3D dispersos. Los puntos de referencia 2D se detectan en la imagen de entrada mediante una red neuronal entrenada. Basado en las correspondencias 2D-3D, se obtiene la estimación inicial de la pose resolviendo el problema PnP. Para lograr la optimización conjunta, este artículo construye la función objetivo basada en la minimización del error de reproyección. Y los valores de corrección de los puntos de referencia 3D y la pose 6D son parámetros a resolver en el problema de optimización. Al resolver el problema de optimización, se realiza la optimización conjunta del modelo 3D del objetivo y la pose 6D. Además, se adopta una ventana deslizante combinada con una estrategia de extracción de fotogramas clave para acelerar el procesamiento del algoritmo. Los resultados experimentales en secuencias de imágenes sintéticas y reales muestran que el método propuesto logra una estimación de pose monocular de alta precisión en tiempo real y en línea, en ausencia de un modelo 3D preciso, a través de la optimización conjunta del modelo 3D del objetivo y la pose.