Este documento propone una metodología de evaluación y mapeo de la transitabilidad del terreno para la navegación fuera de carretera de vehículos autónomos en entornos no estructurados. Las características del terreno se extraen de imágenes RGB y nubes de puntos 3D para crear un mapa de costos de tránsito. El mapa de costos se utiliza para planificar trayectorias seguras. Se emplea inferencia de núcleo generalizado bayesiano para evaluar atributos de cuadrícula desconocidos debido a los escasos datos de nubes de puntos en bruto. Un filtro de Kalman también crea mapas de elevación local de densidad en tiempo real al fusionar información de múltiples cuadros. En consecuencia, el procedimiento de mapeo semántico del terreno considera la incertidumbre de la segmentación semántica y el impacto del ruido del sensor. Se utiliza un filtro bayesiano para actualizar la información semántica de la superficie de manera probabilística. En última instancia, el mapa de elevación se utiliza para extraer características geométricas, que luego se integran con el mapa semántico probabilístico. Este mapa combinado se utiliza junto con el planificador de primitivos de movimiento extendido para planificar la trayectoria más efectiva. Los resultados experimentales demuestran que los vehículos autónomos obtienen una mejora en la tasa de éxito que varía del 4.4% al 13.6% y una disminución en la rugosidad de la trayectoria que varía del 5.1% al 35.8% en comparación con los algoritmos de navegación al aire libre más desarrollados. Además, los vehículos autónomos mantienen una precisión de selección de superficie del terreno de más del 85% durante el proceso de navegación.