Khái niệm: Bản đồ định tính mô tả mối quan hệ giữa các nhóm landmark (thường là bộ ba) qua các ràng buộc hình học như hướng, khoảng cách, vị trí tương đối. Các trạng thái định tính được phân vùng không gian bằng các bất đẳng thức (ví dụ: trái/phải, gần/xa, trước/sau).

• Mô hình xác suất: Với mỗi nhóm landmark, thuật toán tính phân phối xác suất trên các trạng thái định tính bằng cách lấy mẫu từ mô hình đo lường (thường là Gaussian), truyền qua các ràng buộc hình học, và đánh giá xác suất thuộc từng vùng định tính.
• - Cập nhật bản đồ: Sử dụng bộ lọc Bayes để cập nhật phân phối xác suất của từng nhóm landmark khi có quan sát mới. Không cần định vị robot trong hệ tọa độ toàn cục.
• - Đánh giá bằng mô phỏng:
•   + Mô phỏng Monte Carlo với các mức nhiễu đo lường khác nhau (từ 0 đến 100m).
•   + Đánh giá bằng entropy trung bình và khoảng cách hàng xóm giữa trạng thái ước lượng và trạng thái thực.
•   + Kết quả: entropy thấp và khoảng cách hàng xóm <1 với mức nhiễu vừa phải (σ < 1), cho thấy bản đồ hội tụ và chính xác.
• - Đánh giá bằng dữ liệu thực tế:
•   + Sử dụng bộ dữ liệu New College gồm ảnh stereo và dữ liệu GPS.
•   + Landmark được trích xuất bằng thuật toán VOCUS và SIFT.
•   + So sánh 4 phương pháp đo lường: stereo sampling, stereo centroid, monocular, EKF SLAM.
•   + Kết quả: PQRM hoạt động tốt với dữ liệu thực, đặc biệt khi cho phép nhiều trạng thái định tính cùng tồn tại (thay vì chỉ chọn trạng thái có xác suất cao nhất).
• - Ứng dụng:
•   + Có thể dùng PQRM để bổ sung cho SLAM hoặc bản đồ topo.
•   + Phù hợp cho robot hoạt động lâu dài, trong môi trường không có GPS hoặc không thể định vị tuyệt đối.
•   + Có thể mở rộng cho điều hướng, tương tác người–robot, hoặc ánh xạ đa robot.