La presente tesis muestra el dise?o, implementaci?n y validaci?n de dos algoritmos de geolocalizaci?n de alta precisi?n para un veh?culo terrestre de la Universidad de Ibagu?. Dicho rover se tiene proyectado para utilizarlo en proyectos relacionados con agricultura de preci si?n, l?nea de investigaci?n en la que trabaja actualmente el grupo D+TEC. El documento ilustra dos alternativas que se desarrollaron para lograr la implementaci?n de un estimador de posici?n y orientaci?n para el rover mencionado. La primera alternativa consisti? en el dise?o de un algoritmo de dos etapas que integra un filtro de Kalman Ensamblado con un filtro de Kalman Adaptativo en la primera etapa y permite fusionar los datos obtenidos de una Unidad de Medici?n Inercial alojada en una tarjeta de navegaci?n Navio2 con datos de encoders instalados en los ejes de las ruedas del rover. La salida de esta etapa alimenta la segunda etapa del algoritmo, desarrollada a trav?s de un filtro de Kalman integrando los datos de un GPS y magnet?metro instalados tambi?n en el rover. La segunda alternativa que se implement? tambi?n fue un algoritmo de dos etapas que integr? un filtro de Kalman Extendido con uno Adaptativo en la primera etapa y un filtro de Kalman convencional en la segunda etapa fusionando los mismos datos de los sensores mencionados en la primera alternativa. Finalmente, se muestran los resultados obtenidos y se hace un an?lisis detallado de lo encontrado en cada algoritmo dise?ado.This thesis shows the design, implementation and validation of two high precision geolocation algorithms for a land vehicle of the University of Ibagu?. This rover is designed to be used in projects related to precision agriculture, a line of research in which the D + TEC group is currently working. The document illustrates two alternatives that were developed to achieve the implementation of a position and orientation estimator for the aforementioned rover. The first alternative consisted of the design of a two-stage algorithm that integrates a Kalman filter assembled with an adaptive Kalman filter in the first stage and allows merging the data obtained from an Inercial Measurement Unit housed in a navigation card Navio2 with encoder data installed on the axes of the rover wheels. The output of this stage feeds the second stage of the algorithm, developed through a Kalman filter integrating the data of a GPS and magnetometer installed also in the rover. The second alternative that was also implemented was a two-stage algorithm that integrated an extended Kalman filter with an adaptive one in the first stage and a conventional Kalman filter in the second stage merging the same data from the sensors mentioned in the first alternative. Finally, the results obtained are shown and a detailed analysis of what is found in each designed algorithm is made.