Navegar en un mundo en constante cambio puede proporcionar la base para numerosas aplicaciones desafiantes de robótica autónoma. Con miras a la autonomía a largo plazo, los sistemas de reconocimiento visual de lugares (vPR) deberían ser capaces de operar de manera robusta bajo cambios extremos de apariencia en su entorno. Típicamente, las representaciones de datos utilizadas están fuertemente influenciadas por esos cambios, afectando negativamente el rendimiento del vPR. En este artículo, proponemos una técnica basada en secuencias que desacopla tales cambios del procedimiento de estimación de similitud. Esto se logra al remapear los datos de representación secuencial en el dominio del espacio de distancias, es decir, un dominio en el que solo consideramos las distancias entre instancias de imágenes, y posteriormente las normalizamos. De esta manera, se evitan las perturbaciones relacionadas con diferentes condiciones ambientales e incrustadas en los vectores de representación originales, por lo tanto, se mejora la eficacia del reconocimiento de escenas. Evaluamos nuestro marco bajo múltiples instancias diferentes, con resultados que indican una mejora significativa en el rendimiento en comparación con otros enfoques.