方慧娟， 尹亮， 羅繼亮

(1. 華僑大學(xué) 信息科學(xué)與工程學(xué)院， 福建 廈門 361021；2. 華僑大學(xué) 福建省電機(jī)控制與系統(tǒng)優(yōu)化調(diào)度工程技術(shù)研究中心， 福建 廈門 361021)

腦機(jī)接口(BCI)建立了一種大腦與外界直接進(jìn)行通訊和控制的通道[1-3],為殘疾人和正常人提供了一種新的輔助控制方式，尤其在腦控機(jī)器人方面有著廣泛的應(yīng)用[4-6].最初,腦控機(jī)器人的研究傾向于直接腦控[7]，但該方法控制效率低，且容易使用戶疲勞.將腦控與機(jī)器人自主控制相結(jié)合的共享控制方法能夠改善控制效果，并減輕用戶的思維負(fù)擔(dān)[8-9].然而，由于應(yīng)用場(chǎng)景的復(fù)雜化、突發(fā)事件及腦電指令延時(shí)等因素，生物智能和機(jī)器智能可能會(huì)出現(xiàn)決策上的沖突.為了實(shí)現(xiàn)更好的共享控制效果，選擇適當(dāng)?shù)哪Ｐ兔枋鯞CI系統(tǒng)的特性和行為尤為重要.BCI系統(tǒng)是一個(gè)動(dòng)態(tài)、不確定、隨機(jī)且不可完全觀測(cè)的系統(tǒng)，隨著單元個(gè)數(shù)的增加，系統(tǒng)的狀態(tài)數(shù)指數(shù)級(jí)增長，存在“狀態(tài)空間爆炸”的問題.Petri網(wǎng)具有結(jié)構(gòu)化建模的優(yōu)點(diǎn)，可用較小的結(jié)構(gòu)描述一個(gè)很大的狀態(tài)空間[10-11].此外，Petri網(wǎng)對(duì)順序、并發(fā)、異步、不確定性和隨機(jī)性的復(fù)雜系統(tǒng)具有豐富的分析能力及充分的模擬能力[12-13].因此，可將Petri網(wǎng)應(yīng)用于BCI系統(tǒng)的建模中，但目前關(guān)于這方面的研究仍較為少見.Sun等[14]通過融合模糊Petri網(wǎng)的方法控制機(jī)械臂，但只是將模糊Petri網(wǎng)的模糊規(guī)則用于最終的決策，并未通過Petri網(wǎng)演化整個(gè)系統(tǒng)的運(yùn)行.基于此，本文提出一種運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)的Petri網(wǎng)建模方法.

1 帶控制庫所的合成Petri網(wǎng)

1.1 帶控制庫所的Petri網(wǎng)

采用的Petri網(wǎng)結(jié)構(gòu)可定義為一個(gè)五元組PN={P,T,E,W,m0}.式中:P是一個(gè)數(shù)量有限且不為零的庫所集；T={t1,t2,…,ti}是一個(gè)數(shù)量有限且不為零的變遷集；E?(P×T)(T×P)是一個(gè)有序?qū)Φ募?，表示庫所與變遷之間的有向?。籛:E→Z+是一個(gè)正整數(shù)集合，表示在有向弧上的投影，即權(quán)值；m0是系統(tǒng)的初始標(biāo)識(shí)，描述系統(tǒng)在初始狀態(tài)時(shí)，每個(gè)庫所里拖肯(token)的數(shù)目.

在建立運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)的Petri網(wǎng)模型時(shí)，加入控制庫所[15].控制庫所是Petri網(wǎng)中的一種特殊庫所，用以描述建模對(duì)象的外部輸入.當(dāng)存在外部輸入時(shí)，對(duì)應(yīng)的控制庫所產(chǎn)生一個(gè)token；否則，無token.由控制庫所輸出的弧指向的變遷稱為可控變遷，通過控制庫所分配一定的token組合，可以控制可控變遷的激發(fā)，從而控制整個(gè)系統(tǒng).文中主要通過控制庫所描述的腦電檢測(cè)結(jié)果、周圍障礙物及機(jī)器人狀態(tài)等系統(tǒng)外部輸入信號(hào)控制系統(tǒng)的演化過程.

1.2 合成Petri網(wǎng)的定義

Petri網(wǎng)建模的方法可以直觀地描述整個(gè)系統(tǒng)的狀態(tài)，便于對(duì)目標(biāo)系統(tǒng)進(jìn)行分析和改進(jìn).對(duì)于一個(gè)復(fù)雜的系統(tǒng)而言，其Petri網(wǎng)模型也十分復(fù)雜，但合成Petri網(wǎng)可以極大地簡化復(fù)雜模型的建模過程[16].首先，根據(jù)功能將整個(gè)建模對(duì)象分解為若干個(gè)不同的子網(wǎng)，進(jìn)行局部設(shè)計(jì)；然后，通過一組共享庫所，將各子網(wǎng)合成為完整的Petri網(wǎng)模型[17-19].共享庫所是指能夠同時(shí)存在于兩個(gè)或多個(gè)子網(wǎng)的庫所，在Petri網(wǎng)結(jié)構(gòu)中用虛線表示.

合成Petri網(wǎng)的定義如下.設(shè)Petri網(wǎng)PNi={Pi,Ti,Ei,Wi,m0,i}，i=1,2，PN={P,T,E,W,m0}，若滿足以下5點(diǎn)條件：1)P=P1∪P2且P1∩P2≠?；2)T=T1∪T2且T1∩T2≠?；3)E=E1∪E2；4)W=W1∪W2；5)m0(P)=max(m0,1(P),m0,2(P))，P∈P1∩P2,m0,i(P)，P∈Pi-(P1∩P2),則稱PN為子網(wǎng)PN1，PN2的合成Petri網(wǎng).

2 運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)的Petri網(wǎng)模型設(shè)計(jì)

2.1 運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)

圖1 運(yùn)動(dòng)想象EEG信號(hào)的二級(jí)分類Fig.1 Secondary classification of motor imaging EEG signals

在運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)中，人單邊肢體想象運(yùn)動(dòng)在腦電圖(EEG)信號(hào)中會(huì)引起大腦對(duì)側(cè)的事件相關(guān)去同步化(ERD)電位和大腦同側(cè)的事件相關(guān)同步化(ERS)電位，ERD電位和ERS電位可以由受試者自主調(diào)節(jié)產(chǎn)生，不需要任何刺激就可以輸出控制信號(hào)[20].因此，基于運(yùn)動(dòng)想象的BCI非常適合應(yīng)用于機(jī)器人的方向控制.為了提高EEG信號(hào)識(shí)別的準(zhǔn)確性，對(duì)檢測(cè)到運(yùn)動(dòng)想象EEG信號(hào)進(jìn)行二級(jí)分類[21]，如圖1所示.

運(yùn)動(dòng)想象EEG信號(hào)的二級(jí)分類可實(shí)現(xiàn)人腦對(duì)機(jī)器人的直接控制，但直接腦控會(huì)使人的腦力負(fù)擔(dān)較大，且存在碰撞等安全隱患.因此，加入機(jī)器智能使機(jī)器人能夠自動(dòng)避障，且當(dāng)人未進(jìn)行控制時(shí)，機(jī)器人也能夠自主運(yùn)動(dòng)，并將這些控制策略與機(jī)器人運(yùn)動(dòng)信息、腦指令信息及周圍環(huán)境障礙物信息相結(jié)合，構(gòu)建BCI系統(tǒng)的Petri網(wǎng)模型，使人的智能與機(jī)器智能相互適應(yīng)，達(dá)到共享控制的目的.

運(yùn)動(dòng)想象腦機(jī)接口的Petri網(wǎng)模型主要分為檢測(cè)子系統(tǒng)模塊和運(yùn)動(dòng)決策子系統(tǒng)模塊.檢測(cè)子系統(tǒng)模塊又可以分為障礙檢測(cè)和EEG檢測(cè)，障礙檢測(cè)由機(jī)器人通過聲吶、激光等傳感器判斷周圍是否存在障礙物，判斷的結(jié)果將作為Petri網(wǎng)模型的一個(gè)外部輸入，EEG檢測(cè)結(jié)果則作為另一個(gè)外部輸入.運(yùn)動(dòng)決策子系統(tǒng)模塊根據(jù)檢測(cè)子系統(tǒng)的檢測(cè)結(jié)果，對(duì)機(jī)器人做出直行、停止、左轉(zhuǎn)、右轉(zhuǎn)和避障等動(dòng)作決策，機(jī)器人則執(zhí)行相應(yīng)的動(dòng)作.具體的控制策略有以下4個(gè)步驟.

步驟1當(dāng)機(jī)器人檢測(cè)為無障，且EEG一級(jí)檢測(cè)為空閑狀態(tài)時(shí)，機(jī)器人執(zhí)行直行動(dòng)作.

步驟2當(dāng)機(jī)器人檢測(cè)為無障，且EEG一級(jí)檢測(cè)為非空閑狀態(tài)時(shí)，機(jī)器人根據(jù)EEG二級(jí)檢測(cè)結(jié)果對(duì)應(yīng)執(zhí)行左轉(zhuǎn)或右轉(zhuǎn)動(dòng)作，即用戶的意圖.

步驟3當(dāng)機(jī)器人檢測(cè)到有障礙物時(shí)，不考慮EEG檢測(cè)結(jié)果，優(yōu)先執(zhí)行避障動(dòng)作.

步驟4當(dāng)機(jī)器人處于非直行、左轉(zhuǎn)、右轉(zhuǎn)及避障狀態(tài)時(shí)，為停止?fàn)顟B(tài).

2.2 Petri網(wǎng)模型子網(wǎng)

根據(jù)上述控制策略對(duì)運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)進(jìn)行Petri網(wǎng)建模.由于模型較為復(fù)雜，且為了便于今后進(jìn)一步擴(kuò)展及完善，通過Petri網(wǎng)分解合成方法對(duì)系統(tǒng)進(jìn)行建模.

障礙檢測(cè)子網(wǎng)的結(jié)構(gòu)，如圖2所示.圖2中：POT為障礙檢測(cè)程序，是一個(gè)可執(zhí)行庫所，用exe進(jìn)行標(biāo)注；PON，POY分別表示機(jī)器人周圍無障礙和有障礙的狀態(tài)，是一對(duì)互斥的狀態(tài)，在Petri網(wǎng)演化的過程中，任意一組表示互斥狀態(tài)的庫所中至少有一個(gè)庫所存在token；PCOY，PCON為控制庫所(用小方框表示)，用于描述障礙檢測(cè)結(jié)果的外部輸入，當(dāng)障礙檢測(cè)程序檢測(cè)到障礙，在PCOY中輸入一個(gè)token，反之，則在PCON中輸入一個(gè)token;t為變遷.EEG檢測(cè)子網(wǎng)的結(jié)構(gòu)，如圖3所示.圖3中:PET1為EEG信號(hào)一級(jí)檢測(cè)程序，通過一級(jí)檢測(cè)可以得到空閑和非空閑的EEG信號(hào)(PEI，PEB);PET2為EEG信號(hào)二級(jí)檢測(cè)程序，通過二級(jí)檢測(cè)可以得到向左和向右的EEG信號(hào)(PEL,PER).

圖2 障礙檢測(cè)子網(wǎng)的結(jié)構(gòu) 圖3 EEG檢測(cè)子網(wǎng)的結(jié)構(gòu) Fig.2 Structure of obstacle detection subnet Fig.3 Structure of EEG detection subnet

運(yùn)動(dòng)決策系統(tǒng)子網(wǎng)根據(jù)機(jī)器人的運(yùn)動(dòng)狀態(tài)，分別建立直行、左轉(zhuǎn)、右轉(zhuǎn)及避障等4個(gè)決策子網(wǎng).當(dāng)機(jī)器人不處于這4種運(yùn)動(dòng)狀態(tài)時(shí)，則處于停止?fàn)顟B(tài).直行運(yùn)動(dòng)決策子網(wǎng)的結(jié)構(gòu)，如圖4所示.圖4中：PSY，PSN分別表示機(jī)器人是否處于直行運(yùn)動(dòng)狀態(tài)的庫所；PCSO表示機(jī)器人已經(jīng)完成直行動(dòng)作的外部輸入控制庫所.當(dāng)機(jī)器人處于直行運(yùn)動(dòng)狀態(tài)時(shí)，庫所PSY中存在一個(gè)token，一旦直行動(dòng)作執(zhí)行完畢，控制庫所PCSO就會(huì)輸入一個(gè)token，此時(shí)，變遷t11激發(fā)，機(jī)器人由直行運(yùn)動(dòng)狀態(tài)轉(zhuǎn)為非直行狀態(tài).此外，在Petri網(wǎng)的演化過程中，左轉(zhuǎn)、右轉(zhuǎn)及避障的決策都會(huì)使機(jī)器人從直行狀態(tài)轉(zhuǎn)為非直行狀態(tài).

左轉(zhuǎn)運(yùn)動(dòng)決策子網(wǎng)的結(jié)構(gòu)，如圖5所示.圖5中：PLY，PLN分別表示左轉(zhuǎn)和非左轉(zhuǎn)的庫所；PCLO表示左轉(zhuǎn)動(dòng)作完成的外部輸入庫所.左轉(zhuǎn)運(yùn)動(dòng)決策子網(wǎng)的規(guī)則與直行運(yùn)動(dòng)決策子網(wǎng)相似，當(dāng)存在左轉(zhuǎn)完成的外部輸入，以及由Petri網(wǎng)演化得到直行、右轉(zhuǎn)和避障的決策時(shí)，都會(huì)激發(fā)相應(yīng)的變遷，使左轉(zhuǎn)狀態(tài)轉(zhuǎn)為非左轉(zhuǎn)狀態(tài).右轉(zhuǎn)運(yùn)動(dòng)決策子網(wǎng)的結(jié)構(gòu)與左轉(zhuǎn)運(yùn)動(dòng)決策子網(wǎng)的結(jié)構(gòu)相似.

避障決策子網(wǎng)的結(jié)構(gòu)，如圖6所示.圖6中：PAY，PAN分別表示避障狀態(tài)和非避障狀態(tài)的庫所；PCAO表示避障動(dòng)作執(zhí)行完成的外部輸入的庫所.當(dāng)障礙檢測(cè)子網(wǎng)檢測(cè)到機(jī)器人周圍存在障礙物時(shí)，機(jī)器人執(zhí)行避障程序，此時(shí)，PAY中存在一個(gè)token；當(dāng)障礙檢測(cè)子網(wǎng)檢測(cè)到機(jī)器人周圍由有障狀態(tài)變?yōu)闊o障狀態(tài)時(shí)，表示避障完成，PCAO輸入一個(gè)token，此時(shí)，變遷t18激發(fā)，機(jī)器人由避障狀態(tài)轉(zhuǎn)變?yōu)榉潜苷蠣顟B(tài).

圖4 直行運(yùn)動(dòng)決策子網(wǎng)的結(jié)構(gòu) 圖5 左轉(zhuǎn)運(yùn)動(dòng)決策子網(wǎng)的結(jié)構(gòu) 圖6 避障決策子網(wǎng)的結(jié)構(gòu) Fig.4 Structure of straight Fig.5 Structure of left Fig.6 Structure of obstacle motion decision subnet motion decision subnet avoidance decision subnet

2.3 Petri網(wǎng)模型全局網(wǎng)

各決策子網(wǎng)中均存在至少一個(gè)可執(zhí)行庫所，分別表示進(jìn)入不同的可執(zhí)行程序.完成子網(wǎng)建模后，找出各子網(wǎng)的共享庫所組成一個(gè)共享庫所集.由該共享庫所集合成的運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)Petri網(wǎng)的圖形化模型，如圖7所示.運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)的Petri網(wǎng)中,庫所表示的狀態(tài)，如表1所示.

圖7 運(yùn)動(dòng)想象腦機(jī)接口系統(tǒng)Petri網(wǎng)的圖形化模型Fig.7 Graphical Petri net model of brain-computer interface system of motor imagery

表1 庫所表示的狀態(tài)
Tab.1 Status represented by place

序號(hào)庫所狀態(tài)序號(hào)庫所狀態(tài)1POT執(zhí)行障礙檢測(cè)程序15PER當(dāng)前EEG信號(hào)狀態(tài)為右轉(zhuǎn)2PCOY障礙檢測(cè)程序檢測(cè)到障礙物的外部輸入(控制庫所)16PLY執(zhí)行左轉(zhuǎn)程序3PCON障礙檢測(cè)程序未檢測(cè)到障礙物的外部輸入(控制庫所)17PCLO機(jī)器人完成左轉(zhuǎn)動(dòng)作的外部輸入(控制庫所)4POY當(dāng)前機(jī)器人周圍為有障狀態(tài)18PLN未在執(zhí)行左轉(zhuǎn)程序5PON當(dāng)前機(jī)器人周圍為無障狀態(tài)19PSY執(zhí)行直行程序6PET1執(zhí)行EEG一級(jí)檢測(cè)程序20PCSO機(jī)器人完成直行動(dòng)作的外部輸入(控制庫所)7PCEB檢測(cè)到EEG一級(jí)分類為非空閑(控制庫所)21PSN未在執(zhí)行直行程序8PCEI檢測(cè)到EEG一級(jí)分類為空閑(控制庫所)22PRY執(zhí)行右轉(zhuǎn)程序9PEB當(dāng)前EEG信號(hào)狀態(tài)為非空閑23PCRO機(jī)器人完成右轉(zhuǎn)動(dòng)作的外部輸入(控制庫所)10PEI當(dāng)前EEG信號(hào)狀態(tài)為空閑24PRN未在執(zhí)行右轉(zhuǎn)程序11PET2執(zhí)行EEG二級(jí)檢測(cè)程序25PAY執(zhí)行避障程序

續(xù)表Continue table

2.4 模型正確性的驗(yàn)證

為了進(jìn)一步驗(yàn)證該模型的正確性，采用可達(dá)圖對(duì)模型的動(dòng)態(tài)過程進(jìn)行分析.將標(biāo)識(shí)m0=[POT,PON,PET1,PEI,PLN,PSN,PRN,PAN]T作為可達(dá)圖的起點(diǎn)，表示在初始狀態(tài)時(shí)，執(zhí)行障礙檢測(cè)程序和EEG一級(jí)檢測(cè)程序，機(jī)器人為停止?fàn)顟B(tài).

為了更加直觀地描述系統(tǒng)狀態(tài)，只在標(biāo)識(shí)中列出所有存在token的庫所.當(dāng)Petri網(wǎng)模型的外部輸入不同時(shí)，Petri網(wǎng)的狀態(tài)可達(dá)圖，如圖8所示.

圖8 Petri網(wǎng)的狀態(tài)可達(dá)圖Fig.8 State reachability graph of Petri net

為了完整地描述整個(gè)系統(tǒng)的運(yùn)行過程，只列出不同控制庫所作用下的可達(dá)標(biāo)識(shí)狀態(tài)，省略部分中間狀態(tài).圖8中：有向弧上標(biāo)注的為標(biāo)識(shí)狀態(tài)轉(zhuǎn)換所需激發(fā)的變遷序列；mi表示系統(tǒng)的可達(dá)標(biāo)識(shí)；Pj表示外部輸入庫所中存在token;m0表示機(jī)器人停止運(yùn)動(dòng)；4個(gè)分支分別表示左轉(zhuǎn)、右轉(zhuǎn)、直行和避障功能的實(shí)現(xiàn).驗(yàn)證結(jié)果表明，該模型滿足BCI系統(tǒng)所設(shè)定的控制策略，并且可以確定當(dāng)前模型具有活性、可回復(fù)性及無死鎖性，邏輯上不存在錯(cuò)誤.可達(dá)圖中部分關(guān)鍵標(biāo)識(shí)為

m2=[POT,POY,PET1,PEI,PLN,PSN,PRN,PAY]T，

m4=[POT,PON,PET1,PEI,PLN,PSY,PRN,PAN]T，

m8=[POT,PON,PET1,PEB,PLY,PSN,PRN,PAN]T，

m10=[POT,PON,PET1,PEB,PLN,PSN,PRY,PAN]T.

上式中：m2,m4,m8,m10分別表示機(jī)器人避障、直行、左轉(zhuǎn)和右轉(zhuǎn)等運(yùn)動(dòng)狀態(tài).

3 腦機(jī)接口系統(tǒng)Petri網(wǎng)模型的改進(jìn)

3.1 擴(kuò)展子網(wǎng)

為了進(jìn)一步提高移動(dòng)機(jī)器人的避障效率，將控制策略的步驟3更新如下:當(dāng)系統(tǒng)檢測(cè)到障礙物時(shí)，若EEG一級(jí)檢測(cè)為空閑，執(zhí)行自動(dòng)避障功能；若EEG一級(jí)檢測(cè)為非空閑，則根據(jù)EEG二級(jí)檢測(cè)結(jié)果，執(zhí)行左避障或右避障.由此建立的EEG控制避障決策子網(wǎng)的結(jié)構(gòu)，如圖9所示.由圖9可知：當(dāng)EEG一級(jí)檢測(cè)為空閑時(shí)，機(jī)器人執(zhí)行自動(dòng)避障功能，此時(shí)，庫所PAY中存在一個(gè)token；當(dāng)EEG一級(jí)檢測(cè)為非空閑時(shí)，如果執(zhí)行左避障，變遷t21被激發(fā)，庫所PLAY中存在token，如果執(zhí)行右避障，變遷t26被激發(fā)，庫所PRAY中存在token；當(dāng)避障動(dòng)作完成后，控制庫所PCAO輸入一個(gè)token，變遷t22，t24，t25中的一個(gè)被激發(fā)，機(jī)器人恢復(fù)為非避障狀態(tài).

由于腦電指令存在識(shí)別誤差及延時(shí)等問題，如果機(jī)器人一直運(yùn)行可能過度偏離路線，為此設(shè)計(jì)一個(gè)定時(shí)器模塊，對(duì)機(jī)器人進(jìn)行運(yùn)行3 s，停止2 s的循環(huán)控制.定時(shí)器模塊的控制策略:定時(shí)器1的計(jì)時(shí)周期為3 s，在計(jì)時(shí)期間，機(jī)器人可以執(zhí)行直行、左轉(zhuǎn)和右轉(zhuǎn)的動(dòng)作，定時(shí)器1計(jì)時(shí)滿3 s后關(guān)閉；定時(shí)器2開始計(jì)時(shí)，機(jī)器人進(jìn)入停止?fàn)顟B(tài)，定時(shí)器2計(jì)時(shí)滿2 s后，進(jìn)入定時(shí)器清零狀態(tài)；在定時(shí)器1計(jì)時(shí)期間，一旦檢測(cè)到障礙物，定時(shí)器立刻清零，機(jī)器人轉(zhuǎn)為避障狀態(tài)，避障動(dòng)作執(zhí)行完成后，重新開始計(jì)時(shí).

定時(shí)器Petri網(wǎng)子網(wǎng)的結(jié)構(gòu)，如圖10所示.圖10中：PT1，PT2用exe進(jìn)行標(biāo)注，分別表示定時(shí)器1，定時(shí)器2；PCT1O，PCT2O分別表示定時(shí)器1和2完成計(jì)時(shí)的外部輸入；PTC表示定時(shí)器1和2均不計(jì)時(shí)的狀態(tài).通過該子網(wǎng)演化可以實(shí)現(xiàn)對(duì)腦控機(jī)器人的步進(jìn)控制，減少因腦電識(shí)別誤差帶來的影響.

圖9 EEG控制避障決策子網(wǎng)的結(jié)構(gòu) 圖10 定時(shí)器Petri網(wǎng)子網(wǎng)的結(jié)構(gòu) Fig.9 Structure of EEG control obstacle avoidance decision subnet Fig.10 Structure of timer Petri subnet

3.2 擴(kuò)展全局Petri網(wǎng)

建立完上述子網(wǎng)后，將新增子網(wǎng)的共享庫所添加到全局網(wǎng)的共享庫所集，更新后的共享庫所集為{PON，POY，PET1，PEI，PEB，PEL，PER，PLN，PSN，PRN，PT1，PT2}.合成的擴(kuò)展全局Petri網(wǎng),如圖11所示.新增庫所的狀態(tài),如表2所示.

圖11 合成的擴(kuò)展全局Petri網(wǎng)Fig.11 Extended global Petri net

表2 新增庫所的狀態(tài)
Tab.2 Status represented by new place

序號(hào)庫所狀態(tài)序號(hào)庫所狀態(tài)28PRAY執(zhí)行向右避障程序32PTC執(zhí)行定時(shí)器清零程序29PLAY執(zhí)行向左避障程序33PCT1定時(shí)器1計(jì)時(shí)滿3 s的外部輸入(控制庫所)30PT1執(zhí)行定時(shí)器1程序34PCT2定時(shí)器2計(jì)時(shí)滿2 s的外部輸入(控制庫所)31PT2執(zhí)行定時(shí)器2程序

3.3 擴(kuò)展全局Petri網(wǎng)的驗(yàn)證

通過可達(dá)圖算法驗(yàn)證擴(kuò)展后全局Petri網(wǎng)的正確性.通過控制庫所輸入不同的外部信息，可得擴(kuò)展全局Petri網(wǎng)的狀態(tài)可達(dá)圖，如圖12所示.圖12中：初始標(biāo)識(shí)m0=[POT,PON,PET1,PEI,PLN,PSN,PRN,PAN,PT2]T表示系統(tǒng)初始時(shí)處于停止?fàn)顟B(tài)，定時(shí)器2開始計(jì)時(shí).該可達(dá)圖從m1所在分支起按順時(shí)針順序分別表示避障、直行、右行和左行的可達(dá)狀態(tài)，其中，避障又分為自動(dòng)避障、左避障和右避障3個(gè)部分.當(dāng)系統(tǒng)處于初始狀態(tài)時(shí)，定時(shí)器2計(jì)時(shí)，初始標(biāo)識(shí)用灰色標(biāo)注；當(dāng)機(jī)器人執(zhí)行避障動(dòng)作時(shí)，定時(shí)器1，2均未計(jì)時(shí)，避障相關(guān)標(biāo)識(shí)用白色標(biāo)注；當(dāng)機(jī)器人執(zhí)行直行、左行和右行的動(dòng)作時(shí)，定時(shí)器1計(jì)時(shí)，直行、左行和右行的標(biāo)識(shí)均用黑色標(biāo)注.

圖12 擴(kuò)展全局Petri網(wǎng)的狀態(tài)可達(dá)圖Fig.12 State reachability graph of extended global Petri net

由圖12可知：擴(kuò)展后的全局Petri網(wǎng)具有活性、可回復(fù)性及無死鎖性，且邏輯上不存在錯(cuò)誤.其中部分關(guān)鍵標(biāo)識(shí)為

m2=[POT,POY,PET1,PEI,PLN,PSN,PRN,PAY,PTC]T，

m4=[POT,POY,PET1,PEB,PLN,PSN,PRN,PLAY,PTC]T，

m5=[POT,POY,PET1,PEB,PLN,PSN,PRN,PRAY,PTC]T，

m7=[POT,PON,PET1,PEI,PLN,PSY,PRN,PAN,PT1]T,

m11=[POT,PON,PET1,PEB,PLY,PSN,PRN,PAN,PT1]T,

m13=[POT,PON,PET1,PEB,PLN,PSN,PRY,PAN,PT1]T.

上式中：m2,m4,m5,m7,m11,m13分別描述機(jī)器人避障、左避障、右避障、直行、左轉(zhuǎn)和右轉(zhuǎn)的運(yùn)動(dòng)狀態(tài).

4 結(jié)束語

使用Petri網(wǎng)方法解決腦機(jī)接口系統(tǒng)的建模問題，實(shí)現(xiàn)機(jī)器人直行、左轉(zhuǎn)、右轉(zhuǎn)、左避障、右避障和自主避障等功能，若需要添加新的共享控制策略和功能，可以在已建好的Petri網(wǎng)模型上進(jìn)行修改.通過建立一個(gè)描述新功能的Petri網(wǎng)子網(wǎng)，并將其與已有的Petri網(wǎng)進(jìn)行合成，即可實(shí)現(xiàn)對(duì)BCI系統(tǒng)Petri網(wǎng)模型的擴(kuò)展.通過Petri網(wǎng)對(duì)腦機(jī)接口系統(tǒng)的演化可以實(shí)時(shí)觀測(cè)系統(tǒng)的運(yùn)行狀態(tài)，具有分析和改進(jìn)控制策略的作用，提高了腦控機(jī)器人在未知復(fù)雜環(huán)境中的適用性和安全性.