M.

Khouil Réseaux de Neurones pour la Détection de Collisions et Localisation de Contacts 104

Réseaux de Neurones pour la Detection de Collisions

et Localisation de Contacts des Polyèdres Convexes

M.KHOUIL N.SABER M.MESTARI

Laboratoire SSDIA Laboratoire SSDIA Laboratoire SSDIA
ENSET ENSET ENSET
Mohamedia, Maroc Mohamedia, Maroc Mohamedia, Maroc
meryem.khouil@gmail.com nadia.saber.89@gmail.com mestari@enset-media.ac.ma

Résumé—Dans ce papier nous avons procéder au développement
de l’architecture du Réseau de Neurones de Détection de
collisions (DCNN). Ce réseau, dont on a particulièrement revue la
conception, nous a permis de résoudre avec une nouvelle
approche le problème de détection de collision entre deux
polyèdres convexes en un temps fixe (o(1)time). Pour ce faire,
nous avons employer deux types de neurones, linéaire et logique à
seuil. Par ailleurs, les poids de connexion relatifs aux neurones
ainsi que le seuil seront fournis sous forme de réels par le biais de
notre système. Cela facilite la mise en oeuvre matériellement
réelle des réseaux de neurones proposés.
L'identification de ces collisions a été faite dans un premier temps
entre un point et un polyèdre. Dans une seconde partie l’étude se
fera entre deux polyèdres convexes. Notre but est de déterminer
grâce aux fonctions MAXNET et MINNET, en un temps fixe, un
point mini-maximum qui, lui, nous permet de statuer sur la
présence d’une éventuelle collision.
Mots clés: Identification de collisions, temps fixe, polyèdre
convexe, réseau de neurones.
I. INTRODUCTION (HEADING 1)
L’identification d’une collision entre deux objets dans
l’espace représente depuis quelques temps déja l’un des
principaux champs d'intérêts tant dans les domaines de
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
modéliser, simuler et planifier le mouvement d'objets en
présence d'obstacles. Notre étude portera sur cela.
La détection de collisions constitue la partie la plus difficile à
mettre en oeuvre car nous faisons face à plusieurs problèmes
d’optimisation qui dépendent de contraintes diverses (espace
et temps). Cependant, la partie la plus coûteuse dans la
planification d’un chemin réside dans le calcul du nombre de
contraintes de collisions pour chaque itération.
Il existe plusieurs algorithmes efficaces pour identifier
une collision et en calculer une distance appropriée. Ces
derniers représentent un axe recherche majeur dans ce
domaine ([2], [9], [12]).
Comme l'a souligné [9], la distance euclidienne est le moyen
le plus naturel pour mesurer une collision entre deux objets.
Le calcul de la distance euclidienne entre deux objets fait
partie du domaine de la géométrie algorithmique [10]. Pour les
problèmes en deux dimensions (2-D), le temps de calcul
asymptotique est d'environ O( 𝑙𝑜𝑔2 𝑀) par l'algorithme de
schwartz [11] . Des algorithmes plus efficaces ont été signalés
par Chin et Wang [6] et Edelsbrunner [8]. Lorsqu’on implique
des polyèdres de dimension trois (3-D), l'algorithme par
Dobkin et Kirkpatrick [7] exigent O ( M ) opérations .
Dans cette étude, un réseau neuronal pour la détection de
collision (DCNN) est désigné pour identifier les collisions
entre deux polyèdres convexes en un temps fixe (O(1) time).
On utilise le réseau MAXNET et MINNET pour la génération
des distances minimale et maximale qui nous serviront
d’indicateurs de collisions. Dans ce réseau, nous n’utiliserons
que deux neurones, un neurone linéaire et un autre logique à
seuil afin de minimiser le coût et de faciliter l’implémentation.
Ce papier est organisé comme suit; une première partie sera
consacrée à la présentation des réseaux et neurones artificiels
utilisés. Dans la seconde partie on fera l’étude de la détection
de collisions entre un point et un polyèdre et par la suite la
détection de collisions entre deux polyèdres. Enfin nous
expliciterons la construction du réseau DCNN et concluerons
par un résumé de tous les aspects abordés dans cette étude.
II. RESEAUX ET NEURONES ARTIFICIELS UTILISES
Dans cette section, nous exposerons deux réseaux de
neurones (MAXNET, MINET) essentiels à la construction de
notre réseau final.
A. Neurones utilisés
Le réseau de neurones finale pour la détection de
Collisions, le réseau MAXNET et MINNET emploient deux
types de neurones, qui sont tous couramment utilisés dans les
travaux de Fukushima [13], Kohonen [14], Mestari [4],
Mestari et al [5], Mestari [1], Mestari [3]. La seule différence
entre ces deux types de neurones est leur fonction d'activation,
l’un emploie une fonction d'activation linéaire, l’autre une
fonction d'activation logique à seuil.
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
transmet le résultat selon l'équation 1 suivante :
𝑦 = 𝜙(∑𝑛𝑖=1 𝑤𝑖 𝑥𝑖 − Θ) (1)
Où 𝜙 est appelée fonction d'activation, Θ (Θ ∈ ℝ) est le seuil
externe ou biais, 𝑤𝑖 sont les poids ou les forces synaptiques, 𝑥𝑖
représente les entrées (i = 1, 2, ..., n), n le nombre d'entrées et
y représente la sortie.
La fonction d’activation linéaire est définie selon ce qui suit:
𝜙𝐿 (𝑥) ≝ 𝑥
La fonction d’activation logique à seuil :
𝜙 𝑇 (𝑥) ≝ 1; 0
B. Le réseau MAXNET
Le réseau MAXNET nous permet d’avoir comme sortie le
plus grand élément avec en entrée un ensemble de nombres
réels. Généralement, le temps de traitement reste constant et
ne dépend pas du nombre d’éléments dans l’ensemble
d’entrée, il dépend uniquement du temps de traitement d’un
seul neurone.
MAXNET est composé de n réseaux d’ordre 𝑂𝑁𝑗 (1 ≤ 𝑗 ≤ 𝑛)
et d’un réseau de sélection SN.
1) Construction du réseau d’ordre ON
Soit 𝑥𝑖 et 𝑥𝑞 deux éléments de l’ensemble d'entrée X. La
fonction de comparaison de 𝑥𝑖 et 𝑥𝑞 est définie comme suit:
Pour i∈ {1, … . , 𝑞 − 1}
𝑐𝑜𝑚𝑝(𝑥𝑖 , 𝑥𝑞 ) ≝ 𝜙 𝑇 (𝑥𝑞 − 𝑥𝑖 ) (2)
{𝑞
Pour 𝑖 ∈ + 1, … , 𝑛}
𝑐𝑜𝑚𝑝(𝑥𝑖 , 𝑥𝑞 ) ≝ 𝜙 𝑇 (−𝜙 𝑇 (𝑥𝑖 − 𝑥𝑞 )) (3)
L’ordre de n’importe quel élément 𝑥𝑞 dans l’ensemble
d’entrée X peut être donné par la fonction d’ordre suivante:
𝑜𝑟𝑑(𝑥𝑞 , 𝑋) ≝ ∑𝑖<𝑞 𝑐𝑜𝑚𝑝(𝑥𝑖 , 𝑥𝑞 ) + ∑𝑖>𝑞 𝑐𝑜𝑚𝑝(𝑥𝑖 , 𝑥𝑞 ) + 1
(4)
Le réseau qui s’occupe du calcul de cette fonction d’ordre est
noté ON𝑞 .
2) Construction du réseau de sélection SN
La fonction du réseau de sélection consiste à sélectionner
parmi les éléments de l’ensemble d'entrée X, l’élément qui
correspond à la valeur maximale et de le transférer vers la
sortie. Ce réseau est composé de n sous-réseaux d’égalités
(ESN), suivis d'un neurone linéaire.
Le sous-réseau d'égalité ESN détermine si l'ordre d'un élément
est égal ou non à n (indice de la valeur maximale).
La fonction calculée par le sous-réseau ESN de l'égalité est
définie comme suit:
Pour tout 𝑥𝑖 , 𝑖 ∈ [1, 𝑛]
𝑒𝑞[𝑜𝑟𝑑(𝑥𝑖 , 𝑋), 𝑛] = 𝜙 𝑇 (−𝜙 𝑇 (𝑜𝑟𝑑(𝑥𝑖 , 𝑋) − 𝑛 − 1) −
𝜙 𝑇 (𝑛 − 𝑜𝑟𝑑(𝑥𝑖 , 𝑋) − 1)) (5)
Ainsi on aura achevé la construction du réseau MAXNET.
Pour ce qui est de sa complexité, il est a noté qu’il existe six
couches de neurones dans MAXNET, ainsi le temps de
traitement total est de six fois la durée du temps de traitement
d'un seul neurone. Par conséquent, le temps de traitement total
de MAXNET reste constant quel que soit le nombre
Revue Méditerranéenne des Télécommunication Vol. 4, N° 2, October 2014
105
d'éléments dans l’ensemble d'entrée.
C. MINNET
Le réseau MINNET a en effet le même schéma de
construction que MAXNET et utilise exactement les mêmes
réseaux de neurones. La seule différence réside dans le choix
de l’ordre de l’élément à transférer en sortie.
Le propre de MINNET est de transférer en sortie la valeur
minimale de l’ensemble d’entrée X.
III. DETECTION DE COLLISION POINT-POLYEDRE
Cette section sera consacrée à la détection de collisions
entre un point et un polyèdre.
Dans ce travail de recherche on s'intéresse à une classe
d'objets qui peut être approximée par des polyèdres convexes,
ces objets en question peuvent être sous forme d'images
numériques (composée de milliers de pixels), d'objets
matériels (Véhicules, Robots…) ou d'objets virtuels…
Afin de mieux visualiser les illustrations concernant les
polyèdres convexes, il est plus simple de considérer des
polygones convexes, tout en prenant en compte qu'un plan
transversal arbitraire d'un polyèdre convexe représente un
polygone convexe.
Toutes les illustrations mises sur ce papier concernant les
polyèdres convexes sont tracées sous forme de polygones
convexes.
Un polyèdre convexe est l'intersection de n demi espaces
limités par des plans correspondants.
On affectera à chacun des n plans qui limitent le polyèdre un
système de coordonnées cartésiennes (Fig. 1).
Fig.1. Polygone Délimité par N surfaces
Le plan x-y d’un système de coordonnées correspond au plan
de frontière, son axe z est orienté selon la direction normale à
la surface (vers l'extérieur de l'objet). L'origine du système de
coordonnées doit être placé à l'intérieur des limites du plan.
Tout point arbitraire est représenté par un vecteur 3-D tel que :
𝑇
p=[𝑝𝑥 , 𝑝𝑦 , 𝑝𝑧 ]
Afin de distinguer la représentation d'un point par rapport à un
système de coordonnées, on peut utiliser l’indice "n" approprié
Mediterranean Telecommunication Journal
 M. Khouil Réseaux de Neurones pour la Détection de Collisions et Localisation de Contacts
pour indiquer que le vecteur est exprimé selon le nième plan.
Lorsque le point est exprimé tout en respectant le système de
coordonnées global, l'indice ‘n’ sera omit, donc d’après la
théorie de transformation géométrique, 𝑝𝑛 est relié à p par la
relation suivante :
𝑝𝑛 = 𝑅𝑛 𝑝 − 𝑡𝑛 (6)
Où 𝑅𝑛 ∈ ℝ3 × ℝ3 est une matrice de rotation, 𝑡𝑛 ∈ ℝ3
représente la distance entre les deux origines des deux
systèmes de coordonnées [2].
Le plan x-y d'un système de coordonnées coupe l'espace en
deux parties. Une partie de l'espace est caractérisée par des
coordonnées positives de z. Cette partie ne contient pas le
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)
Où 𝑧𝑛𝑇 est la dernière ligne de la matrice de rotation 𝑅𝑛 .
On suppose que le polyèdre donné dispose de n plans, 𝑝𝑛𝑧 est
obtenue pour 1≤ 𝑛 ≤ 𝑁.
𝑝𝑛𝑧 est l’expression de p dans le système de coordonnées relié
au plan limite n. Dans le but de mieux schématiser la relation
p à 𝑝𝑛𝑧 , nous procéderons à la construction du réseau p_𝑝𝑛𝑧
qui consiste tout simplement à transformer p en 𝑝𝑛𝑧 .
Ce réseau aura comme entrée le vecteur p= [𝑝𝑥 , 𝑝𝑦 , 𝑝𝑧 ] et
comme sortie la mesure 𝑝𝑛𝑧 .
Voici ci-dessous le schéma du réseau p_𝑝𝑛𝑧 proposé :
Fig. 2. Architecture du Réseau p-pnz
Les observations suivantes sont essentielles pour le reste de
l’étude :
 S’il existe un seul n pour lequel {𝑝𝑛𝑧 }𝑁𝑛=1 est positive,
dans ce cas là il existe au moins un seul plan de
délimitation séparant le point P du polyèdre convexe.
Ceci dit le point P se trouve à l’extérieur du polyèdre.
 Si par contre P se trouve à l’intérieur du polyèdre
convexe, alors 𝑝𝑛𝑧 ≤ 0 pour tout p ∈ [1, 𝑁].
Sur cette base, on définit l’indicateur suivant :
Revue Méditerranéenne des Télécommunication Vol. 4, N° 2, October 2014
106
𝑝𝑛∗𝑧 = max {𝑝𝑛𝑧 } (8)
1≤𝑛≤𝑁
La collision entre le point P et les N surfaces du polyèdre peut
être identifiée comme suit :
 Si 𝑝𝑛∗𝑧 > 0, alors il n’y a pas eu lieu de collision
 Si 𝑝𝑛∗𝑧 ≤ 0, donc une collision a eu lieu, retour de la
direction du vecteur 𝑧𝑛∗ .
(9)
IV. DETECTION DE COLLISIONS ENTRE DEUX
POLYEDRES
Par rapport à l’identification de collision entre un point et
un polyèdre, il est encore plus complexe d’identifier une
possible collision entre deux polyèdres. Une nouvelle mesure
de détection de collisions est introduite dans ce qui suit.
Fig.3. Détection de collision entre le Polygone A et B
La figure 3 illustre parfaitement le principe de notre étude, où
les deux polygones convexes sont étiquetées A et B. Le
nombre de surfaces délimitées des deux polygones sont
désignés par 𝑁𝐴 et 𝑁𝐵 , et les axes Z reliés au plans de
(𝐴) 𝑁𝐴 (𝐵) 𝑁𝐵
délimitation sont désignés par {𝑧𝑛 } et {𝑧𝑛 } ,
𝑛=1 𝑛=1
respectivement. Les ensembles de seuils correspondants sont
(𝐴) 𝑁𝐴 (𝐵) 𝑁𝐵
donnés par {𝑡𝑛 } , et {𝑡𝑛 } . Un réseau neuronal peut
𝑛=1 𝑛=1
être programmé afin d'identifier une éventuelle collision entre
un point mobile P et le polyèdre B. L'indicateur 𝑝𝑛∗𝑧 et sa
direction d'indice n* en Eq. 8 sont des fonctions du vecteur P.
Cependant, nous les désignerons explicitement comme
𝑝𝑛∗𝑧 (𝑃) et n*(p). La nouvelle mesure de détection de collision
est donnée par une contrainte mini-maximale.
∗ (𝐵) (𝐵)
𝑃𝑛∗𝑧 = inf {𝑝𝑛∗𝑧 (𝑃)}= inf { max [𝑝𝑇 𝑧𝑘 − 𝑡𝑘 ]}
𝑝∈𝐴 𝑝∈𝐴 1≤𝑘≤𝑁𝐵
(10)
∗
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
aux indicateurs de tous les autres points appartenant au
polygone A. Dans ce papier, p est appelé le point ‘mini-
maximum’.
∗
La valeur positive de 𝑃𝑛∗𝑧 nous renseigne sur le fait qu’il n’y a
aucun point du polyèdre A appartenant au polyèdre B. Par
conséquent, les deux polygones ne sont pas en contact et
n’entre pas en collision l’un avec l’autre. Dans le cas où une
Mediterranean Telecommunication Journal
 M. Khouil Réseaux de Neurones pour la Détection de Collisions et Localisation de Contacts 107

partie quelconque du polygone A touche une partie du

polygone B, comme illustré sur la Figure 4.

Fig.5. Architecture du Réseau DCNN

DCNN a pour entrée le vecteur p (un point vecteur du

polygone A), à l’aide du réseau p_𝑝𝑛𝑧 on obtient le point 𝑝𝑛𝑧
pour n∈ [1, 𝑁] qui désigne l’expression de p dans le système
de coordonnées relié au plan délimitant les frontières du
Fig. 4Collision entre deux polygones convexes A et B polygone B. Ensuite par le biais de MAXNET on reçoit le
point 𝑝𝑛∗𝑧 (𝑝) qui représente la distance entre le 𝑛∗ 𝑖è𝑚𝑒 plan
Alors il existe au moins un point 𝑝0 qui appartient aux deux et le point p. Le réseau MINNET qui a comme entrée
polygones. Soit 𝑝0 un point à l'intérieur du polyèdre B donc: l’indicateur 𝑝𝑛∗𝑧 (𝑝), nous donne comme sortie la quantité
(𝐵) (𝐵)
𝑝𝑛∗𝑧 (𝑝0 ) = max [𝑝0𝑇 𝑧𝑘 − 𝑡𝑘 ] ≤ 0 ∗
𝑃𝑛∗𝑧 qui désigne une pseudo distance entre les polygones A et
1≤𝑘≤𝑁𝐵
(11) B. Finalement, en se servant du neurone logique à seuil 𝜙 𝑇 , on
obtient en sortie un résultant binaire qui nous renseigne sur le
Une éventuelle collision entre les polygones A et B peut être fait qu’il y ait collision ou pas (1 signifie qu’il n’y a pas de
définie comme suit : collision entre A et B, 0 signifie qu’il y a une collision entre
∗ les deux polyèdres).
 Si 𝑃𝑛∗𝑧 > 0, donc pas de collision
∗
 Si 𝑃𝑛∗𝑧 ≤ 0, donc collision VI. CONCLUSION
(12)
Par le biais de cette étude nous avons proposé un réseau de
∗ neurones en un temps fixe pour un problème de détection de
La contrainte mini-maximum 𝑃𝑛∗𝑧 est appelé pseudo-
collisions entre deux polyèdres convexes. Notre réseau se
distance entre les polygones A et B. L’extension pour des
∗ compose de deux types de neurones, linéaire et logique à seuil.
polyèdres sera assez simple. Mathématiquement, 𝑃𝑛∗𝑧 est
Parmi tous les neurones proposés dans la littérature, ils sont
différente de la distance euclidienne 𝑑𝐴𝐵 mesurée entre x-y sur probablement les plus faciles à mettre en oeuvre.
∗
la Figure 3. La différence qui existe entre 𝑃𝑛∗𝑧 et 𝑑𝐴𝐵 n'affecte L'objectif de cette recherche est aussi de déterminer les
ni l’identification de collisions ni la génération d'une directions des forces de collisions et les points sur lesquels les
trajectoire sans collisions. forces de collisions agissent. Au lieu de définir une fonction
potentielle, une nouvelle mesure de détection de collisions est
V. CONSTRUCTION DU RESEAU DE NEURONES DE introduite accompagnée d'un algorithme simple en un temps
DETECTION DE COLLISIONS fixe. L'algorithme proposé convient à une mise en œuvre de
réseaux de neurones en utilisant des éléments de circuits
La pierre angulaire de cette étude est la construction du primitifs, comme des intégrateurs analogiques ou
réseau de neurones DCNN qui consiste à identifier une amplificateurs opérationnels linéaires. Le système neuronal ne
éventuelle collision entre deux polyèdres convexes à travers nécessite pas de CPU traditionnel, puces de mémoire ou
un algorithme visant à calculer la distance minimale entre d'horloge de synchronisation.
deux polyèdres. Afin de profiter du parallélisme et de Ce réseau offre une configuration très simple, ce qui évite tout
minimiser la complexité de l’algorithme, nous avons choisi problème causé par une mauvaise précision dans la mise en
d’employer les réseaux de neurones. Après avoir explicité place des valeurs de poids de connexion.
dans les sections qui précèdent tous les réseaux, sous-réseaux En outre, l’architecture du réseau est régulière et simple: les
et neurones qui se rapportent à la construction du réseau forces de connexion entre les neurones sont toutes fixées et la
DCNN, nous exposerons ci-dessous l’architecture du réseau plupart d'entre elles sont égales à +1 ou -1. Ceci va
en question : grandement faciliter la mise en œuvre matérielle réelle du
projet en utilisant la technologie VLSI.

REFERENCES

[1] M.Mestari, ‘An analog Neural Network implementation in Fixed Time

of Adjustable Order Statistic Filters and Applications’ IEEE transactions

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