Los vehículos autónomos necesitan un sistema de posicionamiento robusto para continuar la revolución en el transporte inteligente. Los sistemas globales de navegación por satélite (GNSS) son los más comúnmente utilizados para llevar a cabo esta tarea debido a su capacidad para localizar con precisión el vehículo en el entorno. Sin embargo, publicaciones recientes han revelado casos graves donde el GNSS falla miserablemente al determinar la posición del vehículo, por ejemplo, debajo de un puente, en un túnel o en bosques densos. En este trabajo, proponemos una arquitectura de marco de explicación de modelos basados en LiDAR y aprendizaje profundo (XDLL) que predice la posición de los vehículos utilizando solo unos pocos puntos LiDAR en el entorno, lo que asegura la rapidez y precisión necesarias de las interacciones entre los componentes del vehículo. El marco propuesto extrae características no semánticas de los escaneos LiDAR utilizando un algoritmo de agrupación. Los grupos identificados sirven como entrada a nuestro modelo de aprendizaje profundo, que se basa en capas LSTM y GRU para almacenar los puntos de trayectoria y capas convolucionales para suavizar los datos. El modelo ha sido ampliamente probado con trayectorias a corto y largo plazo de dos conjuntos de datos de referencia, Kitti y NCLT, que contienen diferentes escenarios ambientales. Además, investigamos los resultados obtenidos explicando la contribución de cada característica de grupo mediante varios métodos explicativos, incluyendo Saliency, SmoothGrad y VarGrad. El análisis mostró que tomar la media de todos los grupos como entrada para el modelo es suficiente para obtener una mejor precisión en comparación con el primer modelo, y también reduce el consumo de tiempo. El modelo mejorado es capaz de obtener un error absoluto medio de posicionamiento por debajo de un metro para todas las secuencias en las trayectorias a corto y largo plazo.