In this work we present a probabilistic method to solve the localization problem of a differential robot. The Extended Kalman Filter (EKF) is used to merge the information obtained from ICP (Iterative Closest Point) laser measurement records with the odometry information provided by encoders. To use EKF it is necessary to estimate the covariance of each information source, however the ICP algorithm does not return the associated covariance. This paper describes a way to calculate this covariance. The results obtained show that the sensor fusion method results in a more accurate estimation of the robot's pose compared to the estimations obtained through odometry and ICP individually.En este trabajo se presenta un método probabilístico para resolver el problema de la localización de un robot diferencial. Se usa el Filtro Extendido de Kalman (EKF) para fusionar la información obtenida por registraciones de mediciones láser mediante ICP (IterativeClosest Point) con la información de odometría provista por encoders. Para utilizar EKF es necesario estimar la covarianza de cada fuente de información, sin embargo el algoritmo ICP no devuelve la covarianza asociada. En este artículo se describe una forma de calcular esta covarianza. Los resultados obtenidos muestran que el método de fusión de sensores resulta en una estimación más precisa de la pose del robot en comparación con las estimaciones que se podrían obtener mediante odometría e ICP individualmente.Neste trabalho apresentamos um método probabilístico para resolver o problema da localização de um robô diferencial. O Extended Kalman Filter (EKF) é usado para mesclar as informações obtidas pelos registros de medição a laser pelo ICP (IterativeClosest Point) com as informações de odometria fornecidas pelos codificadores. Para usar o EKF é necessário estimar a covariância de cada fonte de informação, porém o algoritmo ICP não retorna a covariância associada. Este artigo descreve uma maneira de calcular essa covariância. Os resultados obtidos mostram que o método de fusão de sensores resulta em uma estimativa mais precisa da postura do robô em relação às estimativas que poderiam ser obtidas por odometria e ICP individualmente.