动态城市环境下的自动驾驶车辆导航需要超过GPS惯导系统的可靠性。我们再之前的文章中已经证明了利用GPS，IMU，以及LIDAR可以产生高精度的红外地面地图，该地图可以用于定位。
我们现在在这个方法上进行了扩展，有很大的提高，包括更高的精度，随时间学习和促进的能力，并且针对环境改变后和动态障碍物更加鲁棒。具体地说, 而不是作为固定值的空间网格，我们把环境建模为一个概率网格, 每个单元格都表示为其自身亮度值上的高斯分布。随后, 贝叶斯推理能够优先加权可能性最大的静止和一致的角反射率的地图的部分, 从而减少不确定性和灾难性的错误。此外, 通过使用离线SLAM来对齐同一环境的多个传递, 可能会在数天甚至几个月内被分离, 因此可以建立一个鲁棒的对世界的表示方法，然后再利用它进行本地化。
我们验证了我们方法的有效性，通过在不同的动态环境中用这些算法定位车辆，完成了10cm的RMS精度，因此优于之前的工作。重要的是, 这种方法使我们能够在在狭窄的城市道路上密集的交通环境中, 自主驾驶我们的车辆，这在以前的定位方法中是不可行的。