El Sistema de Posicionamiento Global (GPS) no es la única forma de resolver los problemas de geo-localización de objetos conectados; también es posible utilizar la infraestructura de la red móvil para geo-localizar objetos conectados a la red, utilizando antenas y señales diseñadas para la transferencia de voz y datos, como la red de quinta generación. 5G se considera una solución menos costosa porque no requiere un equipo específico para configurar. Siempre que el objeto se encuentre en un área cubierta por la red, se conecta a la Micro-Celda (MC) 5G más cercana. A través del intercambio de señales con el nodo MC, podemos localizar el objeto. Actualmente, esta localización es muy rápida, con menos de 5 s, pero no muy precisa porque depende del número de antenas MC del operador en cuestión y su distancia. Este documento presenta una técnica novedosa para geo-localizar objetos conectados en un área cubierta por 5G. Explotamos el SS-RSRP de 5G utilizado para la medición de calidad de la señal, para estimar la distancia entre dos Objetos Conectados (COs) en movimiento y en un área urbana densa. El objetivo general es presentar un nuevo concepto basado en la señalización de SS-RSRP de 5G. La solución propuesta tiene en cuenta el efecto Determinista y el efecto Estocástico de las señales recibidas, lo cual no es tratado por los trabajos anteriores. La precisión es óptima incluso al acercarse a una distancia de un metro, lo cual no se logra en los trabajos anteriores. Nuestro método también puede implementarse en la próxima red 5G ya que se basa en las señales 5G en sí mismas. Este trabajo y el de Wang se basan en RSRP y presentan complejidades teóricas comparables, por lo tanto, tiempos de ejecución teóricos comparables también. Sin embargo, para obtener un aprendizaje confiable, Wang requiere una gran cantidad de datos, lo que dificulta obtener un aspecto en tiempo real de este algoritmo. El uso de RSRP y la eliminación de la fase de aprendizaje darán más oportunidades a nuestro trabajo para lograr los rendimientos deseados. Los resultados numéricos muestran la idoneidad de los algoritmos propuestos y una buena precisión de ubicación de alrededor de un metro. Las derivaciones del Límite Inferior de Cramer Rao muestran la robustez del estimador propuesto y consolidan el trabajo.