000			04361namaa22004091i 4500
003			OSt
005			20250617113548.0
008			250510s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a621.381
092			_a621.381 _221
097			_aPh.D
099			_aCai01.13.08.Ph.D.2024.Mo.M
100	0		_aMohammed Abdou Tolba, _epreparation.
245	1	0	_aMultitask self-driving car camera cocoon iot-based system / _cby Mohammed Abdou Tolba ; Supervisors Prof. Dr. Hanan Ahmed Kamal.
246	1	5	_aنظام متعدد المهام قائم على انترنت الاشياء و شرنقة الكاميرات لتحقيق سياره ذاتية القياده /
264		0	_c2024.
300			_a100 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2024.
504			_aBibliography: pages 95-100
520			_aNowadays 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.
520			_aفي 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aElectronics _2qrmak
653		0	_aAutonomous driving _adeep learning _acomputer vision _amultitask learning _acrash avoidance _apath planning _aautomatic emergency braking _acamera- cocoon _aIoT _asystem
700	0		_aHanan Ahmed Kamal _ethesis advisor.
900			_b01-01-2024 _cHanan Ahmed Kamal _dOmar Ahmed Nasr _dHeba Ahmed Abdelsalam Elnemr _UCairo University _FFaculty of Engineering _DDepartment of Electronics and Communications Engineering
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c171975