Este estudio tiene como objetivo mejorar las capacidades de navegación de los tractores autónomos al predecir el tipo de superficie por la que están transitando utilizando datos recopilados de las Unidades de Medición Inercial (IMU) BNO055. Los datos de los sensores IMU fueron recopilados de un pequeño robot móvil conducido sobre siete superficies diferentes en un entorno universitario, incluyendo azulejos, alfombras, césped, grava, asfalto, concreto y arena. Varios modelos de aprendizaje automático, incluyendo Regresión Logística, K-Vecinos, SVC, Árbol de Decisión, Bosque Aleatorio, Impulso de Gradiente, AdaBoost y XGBoost, fueron entrenados y evaluados para predecir el tipo de superficie basándose en los datos del sensor. Los resultados indican que Bosque Aleatorio y XGBoost lograron la mayor precisión, con puntuaciones de 98.5% y 98.7% en Validación Cruzada K-Fold, respectivamente, y 98.8% y 98.6% en una división de 80/20 de Estado Aleatorio. Estos hallazgos demuestran que los métodos de conjunto son altamente efectivos para esta tarea de clasificación. Identificar con precisión los tipos de superficie puede prevenir errores operativos y mejorar la eficiencia general de los sistemas autónomos. Integrar estos modelos en los sistemas de tractores autónomos puede mejorar significativamente la adaptabilidad y confiabilidad en diversos terrenos, asegurando operaciones más seguras y eficientes.