تسعى الأبحاث الحديثة إلى تحسين أداء أنظمة القيادة الذاتية من خلال تطوير نماذج قادرة على التعامل مع الكائنات الخارجة عن ناموس الأدوات التقليدية. في هذا السياق، تم تقديم مفهوم "الإدراك الهرمي في عالم مفتوح" الذي يهدف إلى تصنيف الأشياء التي لا تتوفر لها تسميات مسبقة.

المشكلة الحالية تكمن في أن النظام التقليدي للكشف عن الكائنات يُجبر على إعطاء كل كائن أحد التسميات الثابتة، مما يؤدي إلى التسمية الخاطئة أو تجاهل الكائن تمامًا. فمثلًا، إذا واجه النظام عربة تجرها الأحصنة أو حطام طريق، فإنه سيعاني من أزمة تسميته.

تكمن الفكرة في استبدال مجموعة التسميات التقليدية بشجرة تصنيف هرمية تستند إلى قواعد تجريد تعمل في الوقت الفعلي. بدلاً من الاعتماد على نموذج مغلق، يقوم هذا النموذج الجديد بوضع طبقات إدراكية هرمية على الاقتراحات المعتمدة على الفئات (class-agnostic)، مما يمكنه من تصنيف أو التعرف على كائنات لا يقوم النظام التقليدي بتحديدها.

تم إجراء دراسة جدوى تغطي ثلاثة إشارات مفتوحة، منها التقسيم غير المعتمد على الفئات، وتقييم العمق من خلال الكاميرا الأحادية. تشير النتائج إلى أن الاعتماد على إشارات ثنائية الأبعاد وحده لا يكفي، كما أن الجمع بين هذه الإشارات يمكن أن يُحسن من الأداء.

في تحليلاتهم التقييمية، أظهرت النتائج أن النموذج التقليدي يُصدر تسميات خاطئة بنسبة 100%، في حين أن النموذج الهرمي كان قادرًا على معالجة 94% من الكائنات بشكل صحيح ودون أخطاء. وبهذا، يتضح أن هذا الابتكار يمثل خطوة هامة نحو تعزيز أمان القيادة الذاتية وتقديم مستوى جديد من الكفاءة في التعامل مع المواقف غير المتوقعة.