近十年来,随着移动机器人和人工智能技术的发展,移动机器人已经开始从实验室环境进入公共领域为人类提供服务。但是公共服务领域场景更加复杂,特别是行人环境给移动机器人的避障算法提出了新的挑战。因此开展行人环境下移动机器人自主导航算法研究具有重要的现实意义和应用前景。传统的自主导航技术可以保障机器人在工厂等结构化的环境中稳定运行,但是行人环境下机器人与行人的交互问题还面临诸多理论和工程上的困难。为了应对这些挑战,本文从避障算法、行人感知和移动机器人系统搭建三个方面进行了研究和探索,具体内容和研究成果如下:1.传统的避障算法不能满足行人环境下的自主导航需求,改进的动态窗口算法虽然考虑了行人的状态信息,但是没有考虑到行人所遵守的社会规范以及安全距离的保持,从而导致机器人和行人交互的不够友好。针对这个问题,本文提出了基于深度强化学习的避障算法,并将行人遵守的“右行规则”和安全距离引入奖励函数设计,通过模仿学习预训练和深度强化学习提升,从而得到可以将状态映射到动作的避障策略。本文通过仿真实验和物理实验的实施,充分证明了基于深度强化学习的避障算法可以有效提升机器人和行人的交互体验。2.行人感知是机器人在行人环境下进行自主导航的重要组成部分。本文结合视觉语义丰富和激光雷达距离感知精确的优势,设计了基于摄像头和单线激光雷达融合的行人检测与跟踪系统。首先采用改进的人体关键点算法检测到人体关键点,然后使用D-Means算法对经过地图滤波处理的点云数据进行聚类和跟踪,最后在联合标定的基础上使用概率融合算法对检测结果进行融合得到机器人周围行人的轨迹信息。3.本文设计并实现了一个移动机器人自主导航测试平台,具体包括基于差速驱动机器人底盘的硬件系统和基于ROS的软件系统,整套系统成本很低,具有广阔的应用前景。针对行人检测与跟踪问题,本文将基于摄像头和激光雷达融合的算法部署在机器人平台进行测试,实验结果表明系统可以在小车静止和运动情况下对不同姿态、不同尺寸和不同光照条件下的行人进行检测与跟踪。经过自建数据集的定量评估,在漏检率为7.2%,每分钟误检为1.1次时,行人检测率可以达到89.2%,基本符合低速移动机器人的感知要求。最后本文开展了移动机器人在实际场景下的避障实验,实验结果表明本文所设计的避障算法可以成功从仿真环境迁移至物理平台,并且能够在人机自然交互和行人故意阻挡情境下完成自主导航任务,避障的同时遵循“右行规则”,验证了避障算法在行人环境下的有效性。