Honduras, hasta estos momentos, tiene muy pocas investigaciones para realizar robots que se conduzcan de manera autónoma, por lo que esta investigación le apunta a ser un punto de arranque para este tema y una innovación para la industria logística. El propósito es realizar un robot que se conduzca el mismo haciendo uso de equipo estándar de cámara y un software. Por medio de la librería de Open CV, un paquete de recurso abierto de Python, y una red neuronal convolucional, fue modelada una red neuronal que fuera capaz de clasificar los cinco posibles movimientos que tiene el robot en uso VPR, el robot de función logística utilizado en esta investigación. La red fue hecha utilizando la librería Keras y optimizada utilizando el algoritmo de Adam. El modelo logro alcanzar una precisión de predicción de movimiento del 98.7% debido a la imagen proveída por la cámara. Esta alta precisión le permite al usuario poder confiar en la habilidad de la red de tener al robot moviéndose autónomamente en un trayecto especifico con poca supervisión necesariaAs of this day, Honduras has few investigations for making autonomous driving robots, so this paper aims to be a kick-starter for the topic and innovation in the logistics industry. Its purpose is to make a self-driving robot using standard camera equipment and computer-generated software. By means of the CV library, a Python open-source package, and a convolutional neural network (CNN), the authors were able to model a CNN that is capable of classifying the 5 different movements the VPR robot, the logistic-based robot used in this research, can do. The network was built upon the Keras library and optimized with the Adam algorithm. The model was able to achieve 98.7% movement prediction accuracy based on the camera's input. This high accuracy rate allows the user to rely on the network's ability to have the robot autonomously go through a determined trajectory with minimum supervision required