Локализация транспортного средства является важной задачей в области интеллектуальных транспортных систем. Хорошо известно, что слияние показаний с разных датчиков (англ. Sensor Fusion) позволяет создавать более робастные и точные навигационные системы для автономных транспортных средств. Стандартные под-ходы, такие как расширенный фильтр Калмана или многочастичный фильтр, либо неэффективны при работе с сильно нелинейными данными, либо потребляют значительные вычислительные ресурсы, что осложняет их использование во встроенных системах. При этом точность сливаемых сенсоров может сильно различаться. Значительный прирост точности, особенно в ситуации, когда GPS (англ. Global Positioning System) не доступен, может дать использование ориентиров, положение которых заранее известно, -таких как дорожные знаки, светофоры, или признаки SLAM (англ. Simultaneous Localization and Mapping). Однако такой подход может быть неприменим в случае, если априорные локации неизвестны или неточны. Мы предлагаем новый подход для уточнения координат транспортного средства с использованием визуальных ориентиров, таких как дорож-ные знаки. Наша система представляет собой байесовский фреймворк, уточняющий позицию автомобиля с ис-пользованием внешних данных о прошлых наблюдениях дорожных знаков, собранных методом краудсорсинга (англ. Crowdsourcing -сбор данных широким кругом лиц). Данная статья представляет также подход к комби-нированию траекторий, полученных с помощью глобальных GPS-координат и локальных координат, получен-ных с помощью акселерометра и гироскопа (англ. Inertial Measurement Unit, IMU), для создания траектории движения транспортного средства в неизвестной среде. Дополнительно мы собрали новый набор данных, вклю-чающий в себя 4 проезда на автомобиле в городской среде по одному маршруту, при которых записывались данные GPS и IMU смартфона, видеопоток с камеры, установленной на лобовом стекле, а также высокоточные данные о положении с использованием специализированного устройства Real Time Kinematic Global Navigation Satellite System (RTK-GNSS), которые могут быть использованы для валидации. Помимо этого, с использовани-ем той же системы RTK-GNSS были записаны точные координаты знаков, присутствующих на маршруте. Ре-зультаты экспериментов показывают, что байесовский подход позволяет корректировать траекторию движения транспортного средства и дает более точные оценки при увеличении количества известной заранее информа-ции. Предложенный метод эффективен и требует для своей работы, кроме показаний GPS/IMU, только инфор-мацию о положении автомобилей в моменты прошлых наблюдений дорожных знаков.Ключевые слова: байесовское обучение, слияние данных сенсоров, локализация, автономные транспорт-ные средства Работа выполнена при поддержке Министерства образования и науки РФ в рамках гранта федеральной целевой про-граммы (номер гранта RFMEFI60917X0100), Российского научного фонда (номер гранта 14-11-00877) и компании «РоадАР», которая предоставила данные о положениях дорожных знаков.