En los robots de inspección agrícola, la construcción de mapas ambientales precisos y la consecución de una localización precisa son esenciales para una navegación efectiva de Detección y Rango de Luz (LiDAR) Simultánea Localización y Mapeo (SLAM). Sin embargo, la navegación en entornos ocultos, como la distorsión del mapeo y los errores acumulativos sustanciales, presenta desafíos. Aunque los algoritmos actuales basados en filtros y los algoritmos basados en optimización de gráficos son excepcionalmente sobresalientes, presentan un alto grado de complejidad. Este documento tiene como objetivo investigar métodos precisos de mapeo y localización para robots, facilitando una navegación LiDAR SLAM precisa en entornos agrícolas caracterizados por oclusiones. Inicialmente, se propone un esquema de mapeo de nube de puntos LiDAR SLAM basado en el marco de trabajo LiDAR Odometría y Mapeo (LOAM), adaptado a los requisitos operativos del robot. Luego, se emplea el Programa de Manipulación de Imágenes GNU (GIMP) para la optimización del mapa. Este enfoque simplifica el proceso de optimización del mapa para sistemas de navegación autónoma y ayuda en la conversión del Costmap. Finalmente, se implementa el método de Localización Montecarlo Adaptativo (AMCL) para la posicionamiento del robot, utilizando datos del sensor del robot. Los resultados experimentales destacan que durante las pruebas de navegación al aire libre, cuando el robot opera a una velocidad de 1.6 m/s, el error promedio entre los valores mapeados y las medidas reales es de 0.205 m. Los resultados demuestran que nuestro método previene de manera efectiva la distorsión del mapeo de navegación y facilita un posicionamiento confiable del robot en entornos experimentales.