En este estudio, se presenta una red de segmentación semántica para desarrollar un sistema de navegación interior para un robot móvil. La segmentación semántica puede aplicarse mediante la adopción de diferentes técnicas, como una red neuronal convolucional (CNN). Sin embargo, en el trabajo presente, se implementa una red neuronal residual mediante el aprendizaje por transferencia de ResNet-18 para distinguir entre el suelo, que es el espacio libre de navegación, y las paredes, que son los obstáculos. Después del proceso de aprendizaje, se utiliza la máscara de suelo de segmentación semántica para implementar la navegación interior y cálculos de movimiento para el robot móvil autónomo. Estos cálculos de movimiento se basan en cuánto difiere el camino estimado de la línea vertical central. El punto más alto se utiliza para mover los motores hacia esa dirección. De esta manera, el robot puede moverse en un escenario real evitando diferentes obstáculos. Finalmente, los resultados se recopilan analizando el ciclo de trabajo del motor y el tiempo de ejecución de la red neuronal para revisar el rendimiento del robot. Además, se realiza una comparación de redes diferentes para determinar los tiempos de reacción y los valores de precisión de otras arquitecturas.