四轮移动机器人在斜坡环境下执行任务时,需要在动态斜坡环境中实时进行路径规划和准确定位导航来躲避障碍物,而斜坡路面会导致机器人轮子发生部分打滑现象,造成四轮移动机器人实际运动轨迹与路径规划存在较大误差。为提高机器人动态斜坡下导航的鲁棒性,本文采用单目视觉辅助激光进行深度信息融合,主要内容如下:首先,考虑硬质斜坡环境下四轮机器人打滑的原因,建立了四轮移动机器人的运动学模型,并对斜坡下机器人静态稳定性及动态稳定性进行了分析。针对斜坡打滑情况提出了自适应轨迹跟踪控制算法在线更新滑动参数,从而降低打滑对机器人路径规划的位姿误差影响;其次,分析并总结主流运动目标检测算法,针对动态斜坡下移动机器人导航避障很难满足图像稳定性和准确性,提出一种基于光流的特征跟踪图像消抖算法,通过ID3算法训练一个决策树,将特征点圆周上的16个像素输入决策树中,以此来筛选出最优的SURF特征点,降低了机器人导航图像的抖动,并采用一种自适应检测间隔的时差滑动窗口目标检测算法,从参考帧中提取多个特征点,使用3帧间隔时间的时差滑动窗口进行背景差分,利用间隔时间跨多帧图像进行跟踪多个运动目标,以此补偿不同比例的背景运动,从而提高了多运动目标检测算法的运行速度和准确性;再次,为提高动态斜坡环境下路径规划的时间效率,将DDQN(Double Deep Q Network)的方法和树结构的方法相结合,把路径信息保存在优化树结构中,舍弃检测不完整的路径和检测过多的路径,使TDDQN(Tree-Double Deep Q Network)算法在执行较少的动作后选择出当前状态的最佳动作,从而获取符合条件的候选路径,采用非极大值抑制的方法从多个符合条件的候选路径中选择出最佳路径,提高了动态路径规划算法的收敛速度和时间效率;最后,对单目相机和激光雷达进行联合标定,针对斜坡下导航时单一激光雷达产生深度信息误差的问题,提出一种单目相机和激光雷达融合估计深度信息的方法,通过前景目标上的激光点云进行深度信息融合,降低了检测目标的深度信息误差,转弯时加入必要关键帧,提高了机器人旋转精度,在ROS(Robot Operating System)机器人操作系统环境下仿真和实验,较Cartographer SLAM导航平移和旋转精度更高,验证了所提方法的鲁棒性。