Con la llegada de la agricultura 3.0 y 4.0, y en vista del uso eficiente y sostenible de los recursos, los investigadores se están enfocando cada vez más en el desarrollo de tecnologías innovadoras de agricultura inteligente y agricultura de precisión al introducir la automatización y la robótica en los procesos agrícolas. Las máquinas agrícolas autónomas han estado ganando una atención significativa por parte de los agricultores y las industrias para reducir costos, la carga de trabajo humana y los recursos requeridos. Sin embargo, lograr capacidades de navegación autónoma suficientes requiere la cooperación simultánea de diferentes procesos; la localización, el mapeo y la planificación de rutas son solo algunos de los pasos que tienen como objetivo proporcionar a la máquina el conjunto adecuado de habilidades para operar en entornos semi-estructurados y no estructurados. En este contexto, este estudio presenta un planificador de movimiento local de bajo costo y eficiente en energía para la navegación autónoma en viñedos basado únicamente en una cámara RGB-D, hardware de bajo alcance y un algoritmo de control de doble capa. El primer algoritmo utiliza el mapa de disparidad y su representación de profundidad para generar un control proporcional para la plataforma robótica. Concurrentemente, un segundo algoritmo de respaldo, basado en el aprendizaje de representaciones y resistente a variaciones de iluminación, puede tomar el control de la máquina en caso de una falla momentánea del primer bloque generando primitivas de movimiento de alto nivel. Además, debido a la doble naturaleza del sistema, después del entrenamiento inicial del modelo de aprendizaje profundo con un conjunto de datos inicial, la estricta sinergia entre los dos algoritmos abre la posibilidad de explotar nuevos datos etiquetados automáticamente, provenientes del campo, para extender el conocimiento del modelo existente. El algoritmo de aprendizaje automático ha sido entrenado y probado, utilizando aprendizaje por transferencia, con imágenes adquiridas durante diferentes encuestas de campo en la región norte de Italia y luego optimizado para inferencia en el dispositivo con poda y cuantización del modelo. Finalmente, el sistema en su conjunto ha sido validado con una plataforma robótica personalizada en el entorno apropiado.