La Localización y Mapeo Simultáneos (SLAM) generalmente asume que el robot comienza sin conocimiento del entorno. Aunque a menudo hay información previa, como mapas de emergencia o mapas de distribución, la integración no es trivial ya que dichos mapas suelen estar desactualizados y tienen incertidumbre en la escala local. La integración de la información del mapa previo se complica aún más por el ruido del sensor, la deriva en las mediciones y los registros de escaneo incorrectos en el mapa del sensor. Presentamos el Grafo de Autocompletado (ACG), un método SLAM basado en grafos que fusiona elementos de mapas de sensores y mapas previos en una representación consistente. Después de optimizar el ACG, los errores del mapa del sensor se corrigen gracias al mapa previo, mientras que el mapa del sensor corrige las inexactitudes de escala local en el mapa previo. Proporcionamos tres conjuntos de datos con mapas previos asociados: dos grabados en entornos de campus y uno de una instalación de entrenamiento de bomberos. Nuestro método manejó hasta un 40% de ruido en la odometría, fue robusto a diferentes niveles de detalles entre el mapa previo y el mapa del sensor, y pudo corregir errores de escala local del previo. En pruebas de campo con ACG, los usuarios indicaron puntos de interés directamente en el previo antes de la exploración. No registramos fallos en alcanzarlos.