La navegación autónoma en entornos aeroportuarios presenta desafíos significativos, principalmente debido a la escasez de datos accesibles y etiquetados para entrenar sistemas autónomos. Este estudio introduce un enfoque innovador para evaluar el rendimiento de modelos basados en visión entrenados en conjuntos de datos sintéticos, con el objetivo de determinar si los datos simulados pueden entrenar y validar operaciones de navegación en entornos aeroportuarios complejos. La metodología incluye un análisis comparativo que emplea técnicas de procesamiento de imágenes y algoritmos de detección de objetos. Se realizó un análisis comparativo de dos conjuntos de datos diferentes: un conjunto de datos sintético que refleja escenarios reales de aeropuertos, generado utilizando el videojuego Microsoft Flight Simulator 2020(r), y un conjunto de datos del mundo real. Los resultados indican que los modelos entrenados con una combinación de imágenes reales y sintéticas tienen un rendimiento mucho mejor en términos de adaptabilidad y precisión en comparación con aquellos entrenados solo con un tipo de conjunto de datos. Este análisis hace una contribución significativa al campo de la navegación autónoma en aeropuertos y ofrece una solución rentable y práctica para superar los desafíos de adquisición de conjuntos de datos y validación de algoritmos. Por lo tanto, se cree que este estudio sienta las bases para futuros avances en el campo.