Thesis (Ph.D)-Cairo University, 2024.

Bibliography: pages 95-100

Nowadays deep learning and IoT collaboration are invading automotive applications heavily especially in autonomous driving through successful assistance functionalities. Crash avoidance, path planning, and automatic emergency braking are essential for autonomous driving. Trigger-action- based IoT platforms are also widely used for their simplicity and ability to do repetitive tasks efficiently and accurately. In this work, we created our dataset due to the lack of available benchmark datasets using the CARLA simulator. Our proposed systems are SDC-Net, and SDC-Net++: end-to-end deep learning IoT hybrid systems in which a multitask neural network is trained based on different input representations for a camera-cocoon setup. The proposed systems aim to output relevant control actions for crash avoidance, path planning, and automatic emergency braking, then provide the connected vehicles via IoT with the relevant information about the detected crash like severity, and location.

في الوقت الحاضر، تتسارع وتيرة تعاون التعلم العميق وإنترنت الأشياء في التطبيقات الخاصة بالسيارات، خاصة في القيادة الذاتية من خلال الوظائف المساعدة الناجحة. تُعدّ تجنب الحوادث، والتخطيط للمسار، والفرملة الطارئة التلقائية أساسية للقيادة الذاتية. كما تُستخدم منصات إنترنت الأشياء القائمة على الفعل ورد الفعل على نطاق واسع لسهولتها وقدرتها على تنفيذ المهام المتكررة بكفاءة ودقة. في هذا العمل، أنشأنا مجموعة البيانات الخاصة بنا نظراً لعدم توفر مجموعات بيانات مرجعية باستخدام محاكي .CARLA الأنظمة المقترحة لدينا هي SDC-Net و SDC-Net++ أنظمة هجينة تعتمد على التعلم العميق وإنترنت الأشياء حيث يتم تدريب شبكة عصبية متعددة المهام بناءً على تمثيلات إدخال مختلفة لإعداد الكاميرا. تهدف الأنظمة المقترحة إلى إخراج الإجراءات التحكمية ذات الصلة لتجنب الحوادث، والتخطيط للمسار، والفرملة الطارئة التلقائية، ثم تزويد المركبات المتصلة عبر إنترنت الأشياء بالمعلومات ذات الصلة حول الحادث المكتشف مثل الشدة والموقع.

Issues also as CD.

Text in English and abstract in Arabic & English.