La estimación de actitud basada en sensores inerciales es una tecnología crucial en diversas aplicaciones, desde el seguimiento del movimiento humano hasta vehículos aéreos y terrestres autónomos. Los escenarios de aplicación difieren en las características del movimiento realizado, la presencia de perturbaciones y las condiciones ambientales. Dado que los estimadores de actitud de vanguardia no generalizan bien sobre estas características, sus parámetros deben ajustarse a las características individuales del movimiento y las circunstancias. Proponemos un estimador de actitud inercial basado en redes neuronales, listo para usar, sin parámetros, capaz de tiempo real, que generaliza bien a través de diferentes dinámicas de movimiento, entornos y tasas de muestreo, sin necesidad de adaptaciones específicas de la aplicación. Recopilamos seis conjuntos de datos públicos, de los cuales explotamos dos para el desarrollo y entrenamiento del método, y utilizamos cuatro para la evaluación del estimador entrenado en tres escenarios de prueba diferentes con relevancia práctica variable. Los resultados muestran que supera a los filtros de estimación de actitud de vanguardia en el sentido de que generaliza mucho mejor a través de una variedad de movimientos y condiciones en diferentes aplicaciones, con diferentes hardware de sensor y frecuencias de muestreo. Esto es cierto incluso si los filtros están ajustados en cada conjunto de datos de prueba individual, mientras que se entrenó en datos completamente separados y nunca ha visto ninguno de estos conjuntos de datos de prueba. Puede aplicarse directamente sin adaptaciones o entrenamiento y, por lo tanto, se espera que permita soluciones listas para usar en numerosas aplicaciones, especialmente cuando la precisión es crucial pero no hay datos de verdad de referencia disponibles para la sintonización o cuando las características de movimiento y perturbación son inciertas. Lo hemos hecho público.