Magíster en Ciencias de la Ingeniería, Mención Ingeniería Eléctrica / Ingeniero Civil Eléctrico / El uso de Conjuntos Aleatorios Finitos (RFS por su sigla en inglés) tiene varias ventajas respecto de los métodos tradicionales basados en vectores. Entre ellas están el incluir las estadísticas de detección del sensor y la eliminación de las heurísticas tanto para la asociación de datos como para la inicialización y eliminación de objetos en mapa. Para obtener los beneficios de los estimadores basados en RFS en el problema de Construcción de Mapas y Localización Simultanea (SLAM por su acrónimo en inglés), las estadísticas de detección y falsa alarma del extractor de características deben ser modeladas y utilizadas en cada actualización del mapa. Esta Tesis presenta técnicas para obtener estas estadísticas en el caso de características semánticas extraídas de mediciones láser. Además se concentra en la extracción de objetos cilíndricos, como pilares, árboles y postes de luz, en ambientes exteriores. Las estadísticas de detección obtenidas son utilizadas dentro de una solución a SLAM basada en RFS, conocida como Rao-Blackwellized (RB)-probability hypothesis density (PHD)-SLAM, y el algoritmo multiple hypothesis (MH)-factored solution to SLAM (FastSLAM), solución a SLAM basada en vectores. El desempeño de cada algoritmo al usar estas estadísticas es comparado con el de utilizar estadísticas constantes. Los resultados muestran las ventajas de modelar las estadísticas de detección, particularmente en el caso del paradigma RFS. En particular, el error en las estimaciones del mapa, medido utilizando la distancia optimal sub- pattern assignment (OSPA) a un mapa ground truth generado de forma independiente, disminuye en un 13% en el caso de MH-FastSLAM y en un 13% para RB-PHD-SLAM al modelar las estadísticas de detección. A pesar de que no se tiene un ground truth para la trayectoria del robot, se evalúan las trayectorias visualmente, encontradose estimaciones superiores para el método propuesto. Por lo tanto, se concluye que el modelamiento de las estadísticas de detección es de gran importancia al implementar una aplicación de SLAM.