Uno de los problemas fundamentales de la robótica móvil es la localización. En la gran mayoría de las tareas que debe realizar un robot móvil, es necesario mantener una estimación precisa de la posición del robot. El problema de la localización se puede ver como un problema de correspondencia entre el sistema de coordenadas local del robot y el sistema de coordenadas global del mapa. Dentro de las soluciones a este problema, el enfoque más simple se conoce como localización pasiva. La localización pasiva consiste en estimar la posición del robot a partir de un mapa y de las percepciones que obtiene el robot a medida que navega en el entorno. Existe otro enfoque conocido como localización activa que se diferencia de la localización pasiva en que el robot ejecuta acciones intencionalmente para mejorar su localización. En este sentido, la mayoría de los trabajos sobre localización activa tienen como principal objetivo seleccionar las acciones que dirijan al robot (o a sus sensores) hacia zonas del mapa relevantes, aumentando la riqueza de la información adquirida en las observaciones del entorno, y en consecuencia, mejorando la precisión y disminuyendo la incertidumbre de la estimación de la posición del robot en el mapa. Según la literatura, la localización activa ha tenido mejores resultados que la localización pasiva. Otra categorización aplicada a los problemas de localización los divide entre localización global y seguimiento de posición. Localización global consiste en que inicialmente el robot no sabe en que zona del entorno se encuentra y tiene como objetivo localizarse, mientras que en el seguimiento de posición el robot conoce su posición inicial y el objetivo es mantenerse ubicado a medida que navega por el entorno. Este trabajo estudia la localización activa en interiores en el contexto del problema de seguimiento de posición. El sistema propuesto en esta tesis extiende el trabajo de Li et al. Active localization with dynamic obstacles [2016, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pages 1902-1909]. En el trabajo de Li et al. se mantiene un conjunto de hipótesis sobre los posibles estados del robot (x; y; θ) en el mapa, se agrupan utilizando DBSCAN y luego se elige un representante por agrupación. Los representantes y sus mapas asociados se colocan en un marco de referencia común, y se genera un mapa compuesto que permite saber cuales son los puntos del mapa que aportan más información sobre la localización. Luego, se elige la acción que dirija a los sensores hacia el punto que brinde mayor ganancia de información. Se espera que las observaciones del punto elegido descarten una cantidad relevante de hipótesis, mejorando la estimación sobre la posición del robot. Esta estrategia es aplicada en un contexto de localización global. En esta tesis se estudió la estrategia presentada por Li et al. y se extendió aplicándola al problema de seguimiento de posición, combinándola diversos algoritmos de agrupamiento como Kmeans++ y Spectral Clustering. Se realizaron experimentos en distintos escenarios simulados y en un escenario real, con una ruta de navegación preestablecida, comparando cuatro estrategias diferentes (tres de localización activa y una de localización pasiva). Los experimentos presentan mejores resultados en la estimación de la posición para las estrategias propuestas en esta tesis (basadas en Kmeans++ y Spectral Clustering) con respecto a la estrategia utilizada en el trabajo de Li et al. (basado en DBSCAN), y a un algoritmo de localización pasiva.