[spa] La estimaci´on robusta de modelos es un problema recurrente en ´areas tales como rob´otica y
visi´on por computador debido a la incertidumbre e imprecisi´on de los datos de los que t´ıpicamente se dispone. En este trabajo se propone y eval´ua un conjunto de algoritmos denominados
como FM-RANSAC, que constituyen enfoques de estimaci´on robusta basados en el conocido
algoritmo RANSAC, incorporando modificaciones inspiradas en el concepto de m´etrica difusa.
La incorporaci´on de m´etricas difusas (FM por sus siglas en ingl´es) en RANSAC permite expresar
las distancias entre los datos sensoriales y el modelo estimado como un grado de proximidad
medido con respecto a un par´ametro, lo cual resulta conveniente en presencia de la imprecisi´on y
el ruido inherentes a las mediciones en entornos reales. Los algoritmos propuestos utilizan m´etricas difusas en el bucle principal determinar la bondad del modelo estimado en cada iteraci´on y,
tambi´en, en una etapa posterior de refinamiento.
Con el objetivo de evaluar el desempe˜no de los algoritmos FM-RANSAC, se presentan aplicaciones a varios problemas de estimaci´on de modelos, t´ıpicamente encontrados en tareas de
percepci´on. Adem´as, los resultados de las estimaciones con el algoritmo propuesto se comparan
con otras variantes de RANSAC en t´erminos de precisi´on de estimaci´on. De esta manera, se concluye que los estimadores propuestos son capaces de superar a las versiones cl´asicas consideradas.