PQRM sử dụng các mối quan hệ định tính giữa các bộ ba mốc (triplet) để mô tả không gian, thay vì tọa độ tuyệt đối như SLAM.

• Các mối quan hệ được xác định bằng các bất đẳng thức đại số (ví dụ: Double Cross, Extended Double Cross), phân chia không gian thành các vùng định tính.
• - Thuật toán sử dụng bộ lọc Bayes để cập nhật xác suất các trạng thái định tính của từng bộ ba mốc khi có quan sát mới.
• - Mô hình cảm biến được giả định là Gaussian, và tích phân xác suất được tính bằng phương pháp lấy mẫu Monte Carlo.
• - Thử nghiệm mô phỏng cho thấy PQRM có độ hội tụ tốt và sai số thấp ngay cả khi độ nhiễu cảm biến cao.
• - Thử nghiệm thực tế trên bộ dữ liệu New College (Oxford) sử dụng ảnh stereo để trích xuất mốc và xây dựng bản đồ PQRM.
• - So sánh các phương pháp trích xuất mốc: stereo sampling, monocular tracking, EKF SLAM, cho thấy PQRM có khả năng chống sai lệch dữ liệu và hội tụ tốt.
• - Phân tích độ entropy và khoảng cách định tính (neighbor distance) cho thấy PQRM có thể xác định đúng vùng định tính hoặc gần đúng trong hầu hết các trường hợp.
• - PQRM có thể kết hợp với SLAM hoặc bản đồ topo để tăng khả năng suy luận không gian và hỗ trợ điều hướng robot.