El uso de sistemas robóticos en la agricultura orgánica ha adquirido un papel principal en los últimos años; el proyecto Sureveg CORE Organic Cofund ERA-Net busca evaluar los beneficios del cultivo en franjas para producir verduras orgánicas. Esto incluye, entre otros objetivos, el desarrollo de una herramienta robótica que facilite la automatización del proceso de fertilización, permitiendo el tratamiento individual (a nivel de planta). En la producción orgánica, la liberación lenta de nutrientes de los fertilizantes utilizados plantea dificultades adicionales, ya que una detección tardía de deficiencias ya no puede corregirse. Para mejorar la detección, así como contrarrestar el trabajo adicional derivado de la configuración de cultivo en franjas, se propone una herramienta robótica integrada para detectar deficiencias individuales de cultivos y reaccionar en función de un solo cultivo. Para el desarrollo de esta prueba de concepto, uno de los principales objetivos de este trabajo es implementar un método de localización robusto dentro del entorno vegetativo basado en nubes de puntos, a través de la generación de mapas generales de nubes de puntos (G-PC) y mapas locales de nubes de puntos (L-PC) de una hilera de cultivos. Las características geométricas de las plantas se extrajeron del G-PC como un marco en el que se define la posición del robot. A través del procesamiento de datos lidar en tiempo real, el L-PC se define y se compara con el sistema de referencia predefinido previamente deducido. Ambos subsistemas se integran con ROS (Sistema Operativo de Robot), junto con la planificación de movimiento y un solucionador de cinemática inversa CCD (Descent Coordinate Cíclico), entre otros. Se realizaron pruebas utilizando un entorno simulado de la hilera de cultivos desarrollado en Gazebo, seguido de mediciones reales en un campo de cultivo en franjas. Durante la adquisición de datos en tiempo real, el error de localización se redujo de 13 mm a 11 mm en los primeros 120 cm de medición. Se encontró que las características geométricas en tiempo real coincidían con las del G-PC en un 98.6%.