Este estudio se llevó a cabo para desarrollar conjuntos de datos de referencia originales que incluyan simultáneamente características visuales de interiores y exteriores. La información visual interior relacionada con las imágenes incluye características exteriores en un grado que varía extremadamente según el tiempo, el clima y la temporada. Obtuvimos imágenes de escenas en series temporales utilizando una cámara de gran campo de visión (FOV) montada en un robot móvil que se movía a lo largo de una ruta de 392 m en un entorno interior rodeado de paredes y ventanas de vidrio transparente en dos direcciones durante tres temporadas. Para este estudio, proponemos un método unificado para extraer, caracterizar y reconocer hitos visuales que sean robustos a la oclusión humana en un entorno real en el que los robots coexisten con personas. Utilizando nuestro método, realizamos un experimento de evaluación para reconocer escenas divididas en hasta 64 zonas con intervalos fijos. Los resultados obtenidos experimentalmente utilizando los conjuntos de datos revelaron el rendimiento y las características de la optimización de meta-parámetros, la mapeo de características a mapas de categorías y la precisión de reconocimiento. Además, visualizamos similitudes entre las imágenes de las escenas utilizando mapas de categorías. También identificamos los límites de los clústeres obtenidos de los pesos de mapeo.