La localización es uno de los problemas más importantes en la robótica móvil, especialmente cuando un robot móvil autónomo realiza una tarea de navegación. El mapa de ocupación actual y popular, basado en la localización y mapeo simultáneos (SLAM) de LiDar 2D, es adecuado y fácil para la planificación de rutas, y el método de localización de Monte Carlo adaptativo (AMCL) puede realizar la localización en la mayoría de las habitaciones en entornos interiores. Sin embargo, el método convencional no logra localizar el robot cuando hay estructuras geométricas similares y repetidas, como pasillos largos. Para resolver este problema, presentamos Text-MCL, un nuevo método para la localización de robots basado en información textual y datos de escaneo láser. Se utiliza un paradigma de localización de grueso a fino para la localización: primero, encontramos el lugar grueso para la localización global al encontrar información semántica a nivel de texto, y luego obtenemos la localización local fina utilizando el método de localización de Monte Carlo (MCL) basado en datos láser. Experimentos extensos demuestran que nuestro enfoque mejora la velocidad de localización global y la tasa de éxito al 96.2% con pocas partículas. Además, el robot móvil que utiliza nuestro enfoque propuesto puede recuperarse del secuestro del robot después de un movimiento corto, mientras que los métodos MCL convencionales convergen a la posición incorrecta.