在移动机器人研究领域里,对于已知环境下静止障碍物的避障研究已经很充分,不过实际中机器人经常工作在局部环境未知而且有运动障碍物的情况下,这需要移动机器人利用传感器得到障碍物大小、速度、自身与障碍物的距离等信息,并根据这些信息不断调整自身速度和角速度才能成功避开障碍物。首先对RGBD相机获取数据进行预处理。利用针孔成像线性模型推导出了摄像机像素坐标系、摄像机物理坐标系、摄像机坐标系之间的关系,并且使用标定的方法校正彩色图像和深度图像。使用深度相机获取的深度图像得到点云,并对点云产生噪声的原因进行分析,采用滤波器和聚类的方法减少点云中的噪声,使用随机采样一致性方法检测点云中的地平面,并且通过点云聚类结果识别出小物体障碍物和悬挂障碍物。其次对运动障碍物进行检测。使用Lucas-Kanade方法计算光流,并用LOF方法去除离群光流,用基于平面单应性的方法校正离群光流。推导摄像机光流模型,得到场景中一个点的光流角度与它到摄像机深度无关的特性,利用这一特性建立起所有静止物体上面的光流应该满足的方向角度模型。使用点云处理结果识别出彩色图一部分背景光流,然后使用Levenberg-Marquardt非线性最小二乘法计算出最能满足这部分背景光流的方向角度模型,使用这个模型计算所有光流的方向角度,如果计算出来的方向角度和使用Lucas-Kanade方法计算出来的光流方向角度之间差别很大,则这个光流属于运动物体上的光流,利用这个方法标记出点云中属于运动障碍物的部分,然后利用机器人坐标系到局部避障坐标系的变换计算出运动物体相对于局部避障坐标系的位置和速度。最后基于生成的局部二维代价地图使用动态窗口法进行避障。首先利用扩展卡尔曼滤波融合IMU数据和机器人里程数据,然后使用处理过后的点云生成代价地图中的障碍物层,使用运动障碍物检测算法得到的运动障碍物位置还有速度信息生成运动障碍物层,连同膨胀层构成最终的代价地图,最后使用代价地图和动态窗口法进行静止和运动障碍物避障。