Las limitaciones de rendimiento de los sensores automotrices y los errores de percepción resultantes son una de las limitaciones más críticas en el diseño de Sistemas Avanzados de Asistencia al Conductor y Sistemas de Conducción Autónoma. La capacidad de recrear eficientemente patrones de error realistas en una configuración de simulación de tráfico no solo ayuda a garantizar que dichos sistemas funcionen correctamente en presencia de errores de percepción, sino que también cumple un papel clave en la capacitación de algoritmos basados en Aprendizaje Automático que se utilizan con frecuencia en ellos. Este artículo propone un conjunto de modelos de sensores eficientes para detectar usuarios de la vía y características estáticas de la carretera. La aplicabilidad de los modelos se presenta en un ejemplo de entrenamiento de políticas de conducción basadas en Aprendizaje por Refuerzo. Los resultados experimentales demuestran un aumento significativo en la robustez de la política ante errores de percepción, aliviando los problemas causados por las diferencias entre el entorno de tráfico virtual utilizado en el entrenamiento de la política y las condiciones realistas.