Académique Documents
Professionnel Documents
Culture Documents
Résumé—Dans ce papier nous avons procéder au développement Le calcul de la distance euclidienne entre deux objets fait
de l’architecture du Réseau de Neurones de Détection de partie du domaine de la géométrie algorithmique [10]. Pour les
collisions (DCNN). Ce réseau, dont on a particulièrement revue la problèmes en deux dimensions (2-D), le temps de calcul
conception, nous a permis de résoudre avec une nouvelle asymptotique est d'environ O( 𝑙𝑜𝑔2 𝑀) par l'algorithme de
approche le problème de détection de collision entre deux schwartz [11] . Des algorithmes plus efficaces ont été signalés
polyèdres convexes en un temps fixe (o(1)time). Pour ce faire,
nous avons employer deux types de neurones, linéaire et logique à
par Chin et Wang [6] et Edelsbrunner [8]. Lorsqu’on implique
seuil. Par ailleurs, les poids de connexion relatifs aux neurones des polyèdres de dimension trois (3-D), l'algorithme par
ainsi que le seuil seront fournis sous forme de réels par le biais de Dobkin et Kirkpatrick [7] exigent O ( M ) opérations .
notre système. Cela facilite la mise en oeuvre matériellement Dans cette étude, un réseau neuronal pour la détection de
réelle des réseaux de neurones proposés. collision (DCNN) est désigné pour identifier les collisions
L'identification de ces collisions a été faite dans un premier temps entre deux polyèdres convexes en un temps fixe (O(1) time).
entre un point et un polyèdre. Dans une seconde partie l’étude se On utilise le réseau MAXNET et MINNET pour la génération
fera entre deux polyèdres convexes. Notre but est de déterminer des distances minimale et maximale qui nous serviront
grâce aux fonctions MAXNET et MINNET, en un temps fixe, un d’indicateurs de collisions. Dans ce réseau, nous n’utiliserons
point mini-maximum qui, lui, nous permet de statuer sur la
présence d’une éventuelle collision.
que deux neurones, un neurone linéaire et un autre logique à
seuil afin de minimiser le coût et de faciliter l’implémentation.
Mots clés: Identification de collisions, temps fixe, polyèdre Ce papier est organisé comme suit; une première partie sera
convexe, réseau de neurones. consacrée à la présentation des réseaux et neurones artificiels
utilisés. Dans la seconde partie on fera l’étude de la détection
I. INTRODUCTION (HEADING 1) de collisions entre un point et un polyèdre et par la suite la
L’identification d’une collision entre deux objets dans détection de collisions entre deux polyèdres. Enfin nous
l’espace représente depuis quelques temps déja l’un des expliciterons la construction du réseau DCNN et concluerons
principaux champs d'intérêts tant dans les domaines de par un résumé de tous les aspects abordés dans cette étude.
l'infographie et la robotique que la CAO (Conception assisté
par ordinateur), DAO (Design assisté par ordinateur). Cette
identification se fait grâce à divers logiciels qui permettent de II. RESEAUX ET NEURONES ARTIFICIELS UTILISES
modéliser, simuler et planifier le mouvement d'objets en Dans cette section, nous exposerons deux réseaux de
présence d'obstacles. Notre étude portera sur cela. neurones (MAXNET, MINET) essentiels à la construction de
La détection de collisions constitue la partie la plus difficile à notre réseau final.
mettre en oeuvre car nous faisons face à plusieurs problèmes
A. Neurones utilisés
d’optimisation qui dépendent de contraintes diverses (espace
et temps). Cependant, la partie la plus coûteuse dans la Le réseau de neurones finale pour la détection de
planification d’un chemin réside dans le calcul du nombre de Collisions, le réseau MAXNET et MINNET emploient deux
contraintes de collisions pour chaque itération. types de neurones, qui sont tous couramment utilisés dans les
Il existe plusieurs algorithmes efficaces pour identifier travaux de Fukushima [13], Kohonen [14], Mestari [4],
une collision et en calculer une distance appropriée. Ces Mestari et al [5], Mestari [1], Mestari [3]. La seule différence
derniers représentent un axe recherche majeur dans ce entre ces deux types de neurones est leur fonction d'activation,
domaine ([2], [9], [12]). l’un emploie une fonction d'activation linéaire, l’autre une
Comme l'a souligné [9], la distance euclidienne est le moyen fonction d'activation logique à seuil.
le plus naturel pour mesurer une collision entre deux objets. Ces deux types de neurones somment les n entrés pondérées et
Revue Méditerranéenne des Télécommunication Vol. 4, N° 2, October 2014 Mediterranean Telecommunication Journal
M. Khouil Réseaux de Neurones pour la Détection de Collisions et Localisation de Contacts 105
B. Le réseau MAXNET
Le réseau MAXNET nous permet d’avoir comme sortie le III. DETECTION DE COLLISION POINT-POLYEDRE
plus grand élément avec en entrée un ensemble de nombres Cette section sera consacrée à la détection de collisions
réels. Généralement, le temps de traitement reste constant et entre un point et un polyèdre.
ne dépend pas du nombre d’éléments dans l’ensemble Dans ce travail de recherche on s'intéresse à une classe
d’entrée, il dépend uniquement du temps de traitement d’un d'objets qui peut être approximée par des polyèdres convexes,
seul neurone. ces objets en question peuvent être sous forme d'images
MAXNET est composé de n réseaux d’ordre 𝑂𝑁𝑗 (1 ≤ 𝑗 ≤ 𝑛) numériques (composée de milliers de pixels), d'objets
et d’un réseau de sélection SN. matériels (Véhicules, Robots…) ou d'objets virtuels…
Afin de mieux visualiser les illustrations concernant les
1) Construction du réseau d’ordre ON polyèdres convexes, il est plus simple de considérer des
Soit 𝑥𝑖 et 𝑥𝑞 deux éléments de l’ensemble d'entrée X. La polygones convexes, tout en prenant en compte qu'un plan
fonction de comparaison de 𝑥𝑖 et 𝑥𝑞 est définie comme suit: transversal arbitraire d'un polyèdre convexe représente un
polygone convexe.
Pour i∈ {1, … . , 𝑞 − 1}
Toutes les illustrations mises sur ce papier concernant les
𝑐𝑜𝑚𝑝(𝑥𝑖 , 𝑥𝑞 ) ≝ 𝜙 𝑇 (𝑥𝑞 − 𝑥𝑖 ) (2)
polyèdres convexes sont tracées sous forme de polygones
{𝑞
Pour 𝑖 ∈ + 1, … , 𝑛} convexes.
𝑐𝑜𝑚𝑝(𝑥𝑖 , 𝑥𝑞 ) ≝ 𝜙 𝑇 (−𝜙 𝑇 (𝑥𝑖 − 𝑥𝑞 )) (3) Un polyèdre convexe est l'intersection de n demi espaces
L’ordre de n’importe quel élément 𝑥𝑞 dans l’ensemble limités par des plans correspondants.
d’entrée X peut être donné par la fonction d’ordre suivante: On affectera à chacun des n plans qui limitent le polyèdre un
𝑜𝑟𝑑(𝑥𝑞 , 𝑋) ≝ ∑𝑖<𝑞 𝑐𝑜𝑚𝑝(𝑥𝑖 , 𝑥𝑞 ) + ∑𝑖>𝑞 𝑐𝑜𝑚𝑝(𝑥𝑖 , 𝑥𝑞 ) + 1 système de coordonnées cartésiennes (Fig. 1).
(4)
Le réseau qui s’occupe du calcul de cette fonction d’ordre est
noté ON𝑞 .
Revue Méditerranéenne des Télécommunication Vol. 4, N° 2, October 2014 Mediterranean Telecommunication Journal
M. Khouil Réseaux de Neurones pour la Détection de Collisions et Localisation de Contacts 106
pour indiquer que le vecteur est exprimé selon le nième plan. 𝑝𝑛∗𝑧 = max {𝑝𝑛𝑧 } (8)
1≤𝑛≤𝑁
Lorsque le point est exprimé tout en respectant le système de La collision entre le point P et les N surfaces du polyèdre peut
coordonnées global, l'indice ‘n’ sera omit, donc d’après la être identifiée comme suit :
théorie de transformation géométrique, 𝑝𝑛 est relié à p par la Si 𝑝𝑛∗𝑧 > 0, alors il n’y a pas eu lieu de collision
relation suivante :
Si 𝑝𝑛∗𝑧 ≤ 0, donc une collision a eu lieu, retour de la
direction du vecteur 𝑧𝑛∗ .
𝑝𝑛 = 𝑅𝑛 𝑝 − 𝑡𝑛 (6)
(9)
Où 𝑅𝑛 ∈ ℝ3 × ℝ3 est une matrice de rotation, 𝑡𝑛 ∈ ℝ3 IV. DETECTION DE COLLISIONS ENTRE DEUX
représente la distance entre les deux origines des deux POLYEDRES
systèmes de coordonnées [2].
Par rapport à l’identification de collision entre un point et
Le plan x-y d'un système de coordonnées coupe l'espace en
un polyèdre, il est encore plus complexe d’identifier une
deux parties. Une partie de l'espace est caractérisée par des
possible collision entre deux polyèdres. Une nouvelle mesure
coordonnées positives de z. Cette partie ne contient pas le
de détection de collisions est introduite dans ce qui suit.
polyèdre donné. L'autre partie de l'espace est caractérisée par
des coordonnées négatives de z, dans lequel le polyèdre donné
réside. Ainsi, seules les coordonnées z présentent un intérêt
pour cette étude. L’équation 6 peut être simplifiée comme
suit :
𝑝𝑛𝑧 = 𝑧𝑛𝑇 𝑝 − 𝑡𝑛𝑧 (7)
∗ (𝐵) (𝐵)
𝑃𝑛∗𝑧 = inf {𝑝𝑛∗𝑧 (𝑃)}= inf { max [𝑝𝑇 𝑧𝑘 − 𝑡𝑘 ]}
Fig. 2. Architecture du Réseau p-pnz 𝑝∈𝐴 𝑝∈𝐴 1≤𝑘≤𝑁𝐵
(10)
Les observations suivantes sont essentielles pour le reste de
l’étude : ∗
𝑃𝑛∗𝑧 Diffère de 𝑝𝑛∗𝑧 par l'exposant "*". Il est l'indicateur du
point 𝑝∗ ∈ 𝐴, qui dispose de la plus petite valeur par rapport
S’il existe un seul n pour lequel {𝑝𝑛𝑧 }𝑁𝑛=1 est positive, aux indicateurs de tous les autres points appartenant au
dans ce cas là il existe au moins un seul plan de
polygone A. Dans ce papier, p est appelé le point ‘mini-
délimitation séparant le point P du polyèdre convexe.
maximum’.
Ceci dit le point P se trouve à l’extérieur du polyèdre. ∗
La valeur positive de 𝑃𝑛∗𝑧 nous renseigne sur le fait qu’il n’y a
Si par contre P se trouve à l’intérieur du polyèdre aucun point du polyèdre A appartenant au polyèdre B. Par
convexe, alors 𝑝𝑛𝑧 ≤ 0 pour tout p ∈ [1, 𝑁]. conséquent, les deux polygones ne sont pas en contact et
Sur cette base, on définit l’indicateur suivant : n’entre pas en collision l’un avec l’autre. Dans le cas où une
Revue Méditerranéenne des Télécommunication Vol. 4, N° 2, October 2014 Mediterranean Telecommunication Journal
M. Khouil Réseaux de Neurones pour la Détection de Collisions et Localisation de Contacts 107
REFERENCES
Revue Méditerranéenne des Télécommunication Vol. 4, N° 2, October 2014 Mediterranean Telecommunication Journal
M. Khouil Réseaux de Neurones pour la Détection de Collisions et Localisation de Contacts 108
on Neural Networks vol 15.No 3 pp 766-785, May2004. Meryem Khouil a reçu le diplôme d’ingénieur d’état en
[2] J.Yuan, ‘Collision Identification Between Convex Polyhedra Using
Mathématique et informatique appliqués à l’économie à la
Neural Networks’, IEEE, April 1995.
[3] M. Mestari and A. Namir, ”AMAXNET: A neural network faculté des sciences et techniques à Mohammedia, Maroc en
implementation of adjustable MAXNET in fixed time”, IFAC-IFIP- 2012. Prépare actuellement une thèse en Intelligence
IMACS Proc. Internat. Conf. on Control of Industrial Systems, 20-22 Artificielle au Laboratoir SSDIA à l’ENSET Mohammedia,
May, Belfort, (France), vol. 2, 543-549, 1997.
Maroc.
[4] M. Mestari, A. Namir, K. Akodadi and A. Badi,"Θ(1) Time Neural
Network Minimum Distance Classifier and its Application to Optical
Character Recognition Problem", Applied Mathematical Sciences, Vol. Nadia Saber a reçu le diplôme d’ingénieur d’état en
2, 2008, no. 26, 1253 - 1282, November 2007.
[5] M. Mestari and A. Namir, "AOSNET: A Neural Network
Mathématique et informatique appliqués à l’économie à la
Implementation of Adjustable Order Statistic Filters In Fixed Time", faculté des sciences et techniques à Mohammedia, Maroc en
SAMS, 2000, Vol. 36, pp. 509-535. 2012. Prépare actuellement une thèse en Intelligence
[6] F. Chin and C. A. Wang, "Optimal algorithms for the intersection and Artificielle au Laboratoire SSDIA à l’ENSET Mohammedia,
minimum distance problems between planar polygons", IEEE Trans.
Comput., vol. C-32, pp. 1203-1207, 1984.
Maroc.
[7] D. P. Dobkin and D. G. Kirkpatrick, "A linear algorithm for determining
the separation of convex polyhedra", J. Algorithms, vol. 6, pp. 381-392, Mohammed Mestari a reçu le degrée de Master de l’ENSET,
1985.
[8] H. Edelsbrunner, "On computing the extreme distances between two
Mohammedia, Maroc en 1991, un doctorat en Mathématiques
convex polygons", J. Algorithms, vol. 6, pp. 515-542, 1985. appliquée en 1997 et un doctorat en Intelligence Artificielle à
[9] E. G. Gilbert and D. W. Johnson, "Distance functions and their l’université HassanII, Faculté des sciences Ben’ Msik en 2000.
application to robot path planning in the presence of obstacles", IEEE J.
Robotics Automation, vol. RA-1, no. 1, pp. 21-30, 1985.
[10] D. T. Lee and F. P. Preparata, "Computational geometry, A survey",
IEEE Trans. Comput., vol. C-33, pp. 1072-1101, 1984.
[11] J. T. Schwartz, "Finding the minimum distance between two convex
polygons", inform. Professor. Lett., col. 13, pp. 168-170, 1981.
[12] C. Y. Liu and R. W. Mayne, "Distance calculations in motion planning
problems with interference situations", in Proc. 1990 ASME Design
Tech. Conf., vol. 23, no. 1, 1990, pp. 145-152.
[13] K. Fukushima, .”A neural network for visual pattern recognition”, IEEE
Computer, pp. 65-75, Mar., 1988.
[14] T. Kohonen, ”Correlation matrix memories”, IEEE Trans. Computers,
vol.C-21, 353-359, 1972.
Revue Méditerranéenne des Télécommunication Vol. 4, N° 2, October 2014 Mediterranean Telecommunication Journal