随着工业制造能力和人工智能技术的不断发展,移动机器人逐渐应用在了国防、工业、农业、服务业等各行各业,这要求移动机器人能够根据周围环境进行感知,并按照路线到达最终的目标点,同时在行驶过程中能够应对各种静态、动态障碍物。因此,机器人的导航与避障问题引起了越来越多研究人员的注意。虽然在该领域已经有了许多经典的研究工作,但是其中大多数工作使用的是视觉传感器或单线激光雷达,视觉传感器对于光照等外界环境信息很敏感,而单线激光雷达只能获取一定高度的平面,无法完整地感知周围环境,这限制了机器人的泛化能力和感知范围。因此,本研究选择感知范围更广的多线激光雷达作为传感器。但是,一方面,现有的大多数使用多线激光雷达的工作是基于笛卡尔坐标系来对点云数据的鸟瞰图进行处理,将点云数据分配到网格中,由于靠近雷达的点密集,而远处点稀疏,最终会导致网格中点云数据分布不均匀。另一方面,在处理点云数据时往往只考虑到点云的位置信息,但是忽略了从传感器到该点之间的通路信息。此外,使用多线激光雷达的工作往往需要预先建立高精地图,高精地图的制作难度大、费时费力且需要人工标注和定期维护,增加了额外的工作负担并容易局限于结构化的场景中。本研究针对上述问题,提出了一种基于深度学习与多线激光雷达的机器人导航方法,能够在不依赖高精地图的情况下进行导航与避障。同时,本研究提出使用更符合激光雷达采集点云数据时的物理特点的极坐标系来代替笛卡尔坐标系,并将点云数据与可见度信息相结合,使用简化版本的PointNet和基于深度可分离卷积与注意力机制的U-Net将稀疏的点云数据构建成稠密的中间视觉表示——环形鸟瞰分割图,其能够提取出机器人周围360度的可行区域,并以一种鸟瞰分割图的形式表现。然后从中提取出各项表征环境的低维逻辑指标,用于后续的规划控制模块。在规划控制模块中,本研究基于逻辑指标针对各种场景设计了一套逻辑控制器,使得机器人的控制指令具有更好的解释性和安全性。此外,由于现有的点云标注工具多是直接对点云数据进行标注,难以应用于本研究的方法中,因此,本研究还设计了一个基于多线激光雷达的可行区域鸟瞰分割图标注工具。本文在Carla仿真平台中对上述提出的机器人导航系统进行了多种消融实验,并与一些经典工作进行了对比实验,本研究还在真实机器人SCOUT平台上进行部署,并在现实环境中进行了测试,最终证明本研究的方法面对静态、动态障碍物时都能够具有较好的避障性能。