تُعد تقنية LiDAR واحدة من الركائز الأساسية في مجال القيادة الذاتية، حيث تتميز بقدرتها العالية على التعامل مع ظروف الإضاءة السيئة ورؤية محدودة. ومع ذلك، تعاني النماذج الحالية من قيود كبيرة في التعرف على الكائنات غير المتوقعة (Out-of-Distribution - OOD) في العالم المفتوح، وذلك بسبب افتراضها القائم على مجموعة مغلقة.

تُظهر الدوال الحالية لتقييم OOD أداءً محدودًا، حيث تتجاهل الفجوة الكبيرة في توزيع الفئات السائد في اكتشاف الكائنات غير المتوقعة وتفترض وجود توزيع فئات متساوي. لمواجهة هذه التحديات، تم تقديم إطار عمل عصبي يسمى Neural Distribution Prior (NDP)، الذي يهدف إلى تحليل الهيكل التوزيعي لتوقعات الشبكة وإعادة وزن درجات OOD بشكل ديناميكي بناءً على توافقها مع توزيع مسبق تم تعلمه.

تعمل تقنية NDP على التقاط أنماط توزيع البيانات التدريبية وتصحيح التحيزات في الثقة الخاصة بالفئات من خلال وحدة تعتمد على الانتباه. كما تم إدخال استراتيجية جديدة لتوليد عينات OOD متنوعة باستخدام ضوضاء Perlin، مما يسمح بتوفير تدريب قوي على الكائنات غير المتوقعة دون الحاجة إلى مجموعات بيانات خارجية.

أظهرت التجارب الواسعة على معايير SemanticKITTI وSTU أن نظام NDP حقق تحسينات ملحوظة في أداء اكتشاف OOD، حيث وصلت دقة النقاط إلى 61.31% على مجموعة اختبار STU، وهو إنجاز يفوق 10 مرات النتائج السابقة.

تم تصميم إطار عمل NDP ليكون متوافقًا مع مجموعة متنوعة من تشكيلات تقييم OOD الحالية، مما يوفر حلا فعالاً لتحسين إدراك LiDAR في البيئات المفتوحة.