La colaboración entre vehículos autónomos y drones puede mejorar la eficiencia y conectividad de los sistemas de transporte tridimensionales. Cuando las señales de satélite no están disponibles, los vehículos pueden lograr una localización precisa al comparar datos ambientales terrestres ricos con mapas digitales, proporcionando simultáneamente la información de localización auxiliar para los drones. Sin embargo, los mapas digitales convencionales sufren de altos costos de construcción, fácil desalineación y baja precisión de localización. Por lo tanto, este documento propone una construcción de mapa de nube de puntos visual (VPCM) y localización por coincidencia para vehículos autónomos. Fusionamos información de múltiples fuentes de sensores montados en vehículos y la red vial regional para establecer el VPCM geográficamente de alta precisión. En ausencia de señales de satélite, segmentamos el VPCM previo en la red vial basado en resultados de localización en tiempo real, lo que acelera la velocidad de coincidencia y reduce la probabilidad de desajuste. Simultáneamente, al introducir continuamente restricciones de coincidencia de la nube de puntos en tiempo real y el VPCM previo a través de un método mejorado de coincidencia de puntos más cercanos iterativos, la solución propuesta puede suprimir efectivamente el error de deriva de la odometría y producir resultados de localización de fusión precisos basados en la teoría de optimización de grafos de pose. Los experimentos realizados en los conjuntos de datos KITTI demuestran la efectividad del método propuesto, que puede construir de manera autónoma el VPCM previo de alta precisión. La estrategia de localización logra una precisión de submetro y reduce el error promedio por cuadro en un 25.84% en comparación con métodos similares. Posteriormente, se verifica la reutilización de este método y la robustez de localización bajo cambios en las condiciones de luz y cambios en el entorno utilizando el conjunto de datos del campus. En comparación con el método similar basado en cámara, la tasa de éxito de coincidencia aumentó en un 21.15%, y el error promedio de localización disminuyó en un 62.39%.