Yasser Almehio, PhD د. ياسر المحيو Yasser Almehio, PhD

Depth estimation from a camera at night is unreliable. Models trained on daytime data fail in low light, and LiDAR is accurate but costly. Even vision foundation models degrade in the dark. تقدير العُمق ليلًا من كاميرا غير موثوق. النماذج المُدرَّبة على بيانات نهارية تفشل في الإضاءة المنخفضة، وLiDAR دقيق لكنه مُكلِف. حتى نماذج الرؤية التأسيسية يتراجع أداؤها في الظلام. L'estimation de profondeur par caméra de nuit reste peu fiable. Les modèles entraînés de jour échouent en basse lumière, et le LiDAR, précis, demeure coûteux. Même les modèles de vision « foundation » se dégradent dans l'obscurité.

LED projects an active pattern from HD headlights into the scene. The network learns from the deformation of the pattern on real objects, gaining a strong geometric cue at night. Cuts RMSE by up to 24% on Adabins and 8% on DepthFormer, and generalizes across encoder–decoder, Adabins, DepthFormer, and Depth Anything V2. "LED" يُسقط نمطًا نشطًا من المصابيح الأمامية عالية الدقة على المشهد. تتعلّم الشبكة من تشوّه هذا النمط على الأجسام الحقيقية، فتحصل على إشارة هندسية قويّة ليلًا. تخفيض جذر متوسط الخطأ التربيعي حتى 24% في Adabins و8% في DepthFormer، ويعمل عبر معماريات متعدّدة. LED projette un motif actif depuis les phares haute définition. Le réseau apprend de la déformation de ce motif sur les objets réels et y trouve un fort indice géométrique nocturne. Réduction du RMSE jusqu'à 24% sur Adabins, 8% sur DepthFormer, et fonctionne avec plusieurs architectures.

Modern headlamps draw significant power, which directly affects EV range and CO₂. Fixed lighting profiles waste energy because they ignore the driving context (highway vs. urban, traffic, weather). تستهلك المصابيح الأمامية الحديثة طاقة كبيرة، ما يؤثر مباشرة في مدى السيارة الكهربائية وانبعاثاتها. ملفّات الإضاءة الثابتة تُهدر الطاقة لأنها تتجاهل سياق القيادة (طريق سريع، مدينة، ازدحام، طقس). Les phares modernes consomment beaucoup, ce qui impacte directement l'autonomie des véhicules électriques et le CO₂. Les profils d'éclairage fixes gaspillent l'énergie en ignorant le contexte de conduite.

A self-learning Random Forest reads in-vehicle signals (speed, surroundings, ambient light, road type), classifies the driving scenario, and adjusts headlamp power in real time. The "self-learning" loop refines the classifier as new driving data comes in. غابة عشوائية ذاتية التعلّم تقرأ إشارات من داخل السيارة (السرعة، البيئة المحيطة، الضوء الخارجي، نوع الطريق)، تُصنّف سيناريو القيادة، وتُعدّل قدرة المصابيح في الزمن الحقيقي. تستمر حلقة "التعلّم الذاتي" في تحسين النموذج كلما توفّرت بيانات قيادة جديدة. Une forêt aléatoire auto-apprenante lit les signaux du véhicule (vitesse, environnement, lumière ambiante, type de route), classifie le scénario de conduite et ajuste la puissance des phares en temps réel. La boucle d'auto-apprentissage continue à affiner le classifieur.

Modern car lighting modules carry massive volumes of photometric data, beam patterns, calibration maps, photometry tables. Storing and transmitting this data over in-vehicle buses is expensive in memory, bandwidth, and energy. تحمل وحدات إضاءة السيارات الحديثة كميات ضخمة من البيانات الضوئية: أنماط الشعاع، خرائط المعايرة، جداول القياس الضوئي. تخزين هذه البيانات ونقلها عبر النواقل داخل السيارة مُكلِف من حيث الذاكرة وعرض النطاق والطاقة. Les modules d'éclairage automobile portent d'énormes volumes de données photométriques : motifs de faisceau, cartes de calibration, tables photométriques. Les stocker et les transmettre sur les bus du véhicule est coûteux en mémoire, bande passante et énergie.

A custom autoencoder learns a compact latent representation of automotive photometric data. The encoder compresses on the source side; the decoder reconstructs on the lighting module, with controlled visual fidelity. Result: order-of-magnitude reduction in payload size while preserving beam quality. مُرمِّز تلقائي مُخصَّص يتعلّم تمثيلًا مُكثَّفًا للبيانات الضوئية. يضغط المُرمِّز عند المصدر، ويُعيد فكّ الضغط على وحدة الإضاءة مع التحكّم في الجودة البصرية. النتيجة: تقليل حجم البيانات بمعدّل عشري مع الحفاظ على جودة الشعاع. Un autoencodeur sur mesure apprend une représentation latente compacte des données photométriques. L'encodeur compresse à la source ; le décodeur reconstruit côté module d'éclairage, avec fidélité visuelle contrôlée. Résultat : réduction d'un ordre de grandeur de la taille des données tout en préservant la qualité du faisceau.

Headlamp aiming is traditionally a manual calibration step: a beam pattern is projected on a wall, an operator measures and adjusts. This is slow, requires expensive tooling, and drifts over the car's lifetime. توجيه المصابيح الأمامية تقليديًا خطوة معايرة يدوية: يُسقَط نمط شعاع على جدار، ثم يقيس الفنّي ويُعدّل. هذه العملية بطيئة وتستلزم أدوات مُكلِفة، ودقّتها تنحرف على مدى عمر السيارة. Le réglage des phares est traditionnellement une calibration manuelle : un motif est projeté sur un mur, un opérateur mesure et ajuste. C'est lent, coûteux en outillage, et la précision dérive avec le temps.

A deep-learning classifier reads the beam pattern from the car's surround-view cameras, recognizes the current aiming state, and feeds correction back to the headlamp controller. Replaces a workshop step with an in-vehicle automatic process, accurate across vehicles and conditions. مُصنِّف بالتعلّم العميق يقرأ نمط الشعاع من كاميرات الرؤية المحيطية في السيارة، يتعرّف على وضع التوجيه الحالي، ويُرسل تصحيحًا إلى وحدة التحكم بالمصابيح. تُستبدل بهذا خطوة الورشة بعملية تلقائية داخل السيارة، دقيقة عبر مختلف السيارات والظروف. Un classifieur deep-learning lit le motif de faisceau depuis les caméras Surround View, reconnaît l'état de pointage actuel et renvoie une correction au contrôleur des phares. Une étape d'atelier remplacée par un processus automatique embarqué, précis sur différents véhicules et conditions.

LED headlamps must stay within a strict thermal envelope. Run them too hot and lifetime and luminous flux collapse; run them too conservative and you waste light output. Classic thermal control loops are tuned per part and don't adapt to scenario. يجب أن تبقى مصابيح LED الأمامية ضمن نطاق حراري ضيق. الإفراط في التسخين يُقصّر العمر ويُسقط التدفّق الضوئي، والتحفّظ الزائد يُهدر الإضاءة. حلقات التحكّم الحراري التقليدية تُضبَط لكل قطعة، ولا تتكيّف مع السيناريو. Les phares LED doivent rester dans une enveloppe thermique stricte. Trop chauds, la durée de vie et le flux lumineux s'effondrent ; trop conservateurs, on gaspille la sortie lumineuse. Les boucles thermiques classiques sont réglées par pièce et ne s'adaptent pas au scénario.

A parametrizable digital twin of the LED thermal system, trained by reinforcement learning. The agent learns a control policy that maximizes luminous output while respecting the thermal limit, and generalizes across hardware variants thanks to the parametrized state. توأم رقمي قابل للضبط لمنظومة LED الحرارية، يُدرَّب بالتعلّم المعزّز. يتعلّم العامل سياسة تحكّم تُعظِّم الإخراج الضوئي مع احترام الحدّ الحراري، ويُعمَّم على إصدارات عتادية مختلفة بفضل الحالة المُمعلَمة. Un jumeau numérique paramétrable du système thermique LED, entraîné par apprentissage par renforcement. L'agent apprend une politique de contrôle qui maximise le flux lumineux tout en respectant la limite thermique, et se généralise aux variantes matérielles grâce à l'état paramétré.

EVs are penalized by every accessory load, and headlamps are a non-trivial draw. The question: how do you cut headlamp energy without ever reducing the lighting performance the driver actually needs? السيارات الكهربائية تتأثّر بكل حِمل مُلحَق، ومصابيح الإضاءة الأمامية حِمل لا يُستهان به. السؤال: كيف نُقلِّص طاقتها دون أن نُقلِّص في أي لحظة جودة الإضاءة التي يحتاجها السائق؟ Les véhicules électriques sont pénalisés par chaque charge auxiliaire, et les phares ne sont pas négligeables. Question : comment réduire leur consommation sans jamais sacrifier la performance d'éclairage dont le conducteur a besoin ?

A supervised-learning energy manager analyzes the driving mission (light conditions, speed, oncoming traffic, road) and only delivers the optimal lighting profile for that moment. In practice, cuts energy on roughly 70% of running missions, with direct CO₂ benefit and measurable EV range extension. مُدير طاقة بالتعلّم الموجّه يحلّل المُهمّة (الإضاءة، السرعة، السيارات المقابلة، الطريق) ولا يقدّم إلا ملفّ الإضاءة الأمثل لتلك اللحظة. عمليًا، يُخفّض الطاقة في نحو 70% من المهمّات، مع أثر مباشر على CO₂ وتمديد قابل للقياس في مدى السيارات الكهربائية. Un gestionnaire d'énergie en apprentissage supervisé analyse la mission de conduite (lumière, vitesse, trafic, route) et ne délivre que le profil d'éclairage optimal à l'instant. En pratique, baisse la consommation sur environ 70% des missions, gain CO₂ direct et extension mesurable de l'autonomie EV.

Image registration, aligning two views of the same scene, is the heart of most vision pipelines. Classic feature points (SIFT, Harris) struggle with low texture, repetitive structures, and large viewpoint changes, and they don't carry a meaningful confidence score. تسجيل الصور، أي محاذاة منظورين لمشهد واحد، هو قلب معظم منظومات الرؤية. النقاط المُميّزة الكلاسيكية (SIFT، Harris) تتعثّر في المشاهد منخفضة النسيج والمتكرّرة الهياكل والتغيّرات الكبيرة في زاوية الرؤية، ولا تحمل درجة ثقة ذات معنى. Le recalage d'images (aligner deux vues d'une même scène) est au cœur de la plupart des pipelines vision. Les points caractéristiques classiques (SIFT, Harris) peinent en faible texture, en structures répétitives, en grand changement de point de vue, et ne portent pas de score de confiance signifiant.

This paper proposes level-line primitives, geometric segments built from isocontours of image intensity, as a more stable foundation for registration. Each primitive comes with a Figure of Merit that quantifies its reliability, so the registration can weight evidence rather than rely on a uniform vote. Robust under affine and projective transformations. تقترح الورقة "بدائيات خطوط المستوى": مقاطع هندسية مبنية من خطوط تساوي الكثافة الضوئية، كأساس أكثر استقرارًا للتسجيل. كلّ بدائي يحمل "مؤشر جدارة" يُقيِّم موثوقيته، فيُرجِّح التسجيل الأدلّة بدل الاعتماد على تصويت متساوٍ. يصمد أمام التحويلات التآلفية والإسقاطية. L'article propose les primitives de lignes de niveau (segments géométriques construits à partir des isocontours d'intensité) comme base plus stable du recalage. Chaque primitive porte une « Figure of Merit » qui quantifie sa fiabilité ; le recalage pondère ainsi les preuves au lieu d'un vote uniforme. Robuste aux transformations affines et projectives.