Este documento propone un nuevo estimador de orientación robusto para mejorar la precisión y robustez de la estimación de orientación para sensores inerciales-magnéticos de pequeños drones de consumo. El estimador propuesto utiliza una estrategia de región de confianza dentro de un marco de optimización no lineal, transformando el problema de fusión de orientación en un problema de optimización no lineal basado en el principio de máxima verosimilitud. El estimador propuesto emplea una estrategia de descenso de gradiente Dogleg de región de confianza para optimizar la precisión de la orientación e incorpora un núcleo robusto de Huber para minimizar la interferencia causada por la aceleración durante el proceso de maniobra del dron. Además, se presenta un nuevo método para evaluar el rendimiento de los estimadores de orientación basado en visuales. El método propuesto consta de dos partes: calibración offline del cubo básico utilizando marcadores de Realidad Aumentada de la Universidad de Córdoba (ArUco) y medición online de la orientación del portador del sensor utilizando un solucionador de optimización no lineal. La precisión del método de medición propuesto y el rendimiento del estimador propuesto se evalúan en condiciones de baja dinámica (rotación) y alta dinámica (sacudida) en el experimento. Los hallazgos experimentales indican que el método de medición propuesto obtiene un error de reproyección promedio de menos de 0.1 píxeles. El estimador propuesto tiene el menor error promedio de orientación en comparación con los algoritmos de estimación de orientación convencionales. A pesar de la naturaleza que consume tiempo del estimador propuesto, exhibe una mayor robustez y precisión, particularmente en entornos altamente dinámicos.