動態城市環境下的自動駕駛車輛導航需要超過GPS慣導系統的可靠性。我們再之前的文章中已經證明了利用GPS，IMU，以及LIDAR可以產生高精度的紅外地面地圖，該地圖可以用於定位。

我們現在在這個方法上進行了擴充套件，有很大的提高，包括更高的精度，隨時間學習和促進的能力，並且針對環境改變後和動態障礙物更加魯棒。具體地說, 而不是作為固定值的空間網格，我們把環境建模為一個概率網格, 每個單元格都表示為其自身亮度值上的高斯分佈。隨後, 貝葉斯推理能夠優先加權可能性最大的靜止和一致的角反射率的地圖的部分, 從而減少不確定性和災難性的錯誤。此外, 通過使用離線SLAM來對齊同一環境的多個傳遞, 可能會在數天甚至幾個月內被分離, 因此可以建立一個魯棒的對世界的表示方法，然後再利用它進行本地化。

我們驗證了我們方法的有效性，通過在不同的動態環境中用這些演算法定位車輛，完成了10cm的RMS精度，因此優於之前的工作。重要的是, 這種方法使我們能夠在在狹窄的城市道路上密集的交通環境中, 自主駕駛我們的車輛，這在以前的定位方法中是不可行的。