室内移动机器人在军事、工业及民用领域有着广泛的应用场景。为实现室内移动机器人自主导航和避障的基本功能,通常采用激光雷达传感器进行环境感知。然而基于激光雷达传感器的工作机理,虽能实现对障碍物所处位置的判定,却无法实现对障碍物的有效识别及跟踪。人体障碍物是室内场景中最常见的活动障碍物,运动具有一定的目的性和主观性,如果将其与普通障碍物同等对待,往往会使导航避障决策失效。同时随着计算设备算力的飞跃,使用视觉图像可以有效的识别及跟踪物体,因此如何融合激光雷达与视觉数据,对环境进行良好感知,是移动机器人领域的一个研究热点。本文针对采用单一的传统激光雷达传感器,无法估计人体障碍物的运动方向及速度,导致导航避障失效的问题,提出一种基于多传感器信息融合的室内环境感知方法。该方法采用RGB视觉图像数据,基于深度神经网络的图像语义分割算法(Image Semantic Segmentation),获取人体分割掩码;并与激光雷达数据进行融合,获取人体位置信息;同时构建社会行为导航层,将人体位置信息作为局部代价写入多层代价地图,实现基于人体位置信息的导航与避障方法。本文主要从以下几个方面展开工作:(1)研究基于深度神经网络的图像语义分割算法,获取人体障碍物分割掩码。分析目前在边缘设备上常用的语义分割模块,选取性能较优的ESP结构,训练并测试ESPNet网络模型,并与常用的基于PSPNet的语义分割算法进行效果比较;同时针对使用的NVIDIA Jetson TX1硬件平台,基于Tensor RT框架实现ESPNet语义分割模型的性能优化。(2)研究基于机器人操作系统(Robot Operating System,ROS)的室内导航和避障方法。融合人体障碍物分割掩码与激光雷达数据,获取人体位置信息;并将人体位置信息作为局部代价写入多层代价地图,构建社会行为导航层;基于ROS导航包实现基于人体位置信息的导航与避障方法。(3)选取目前功耗与算力达到前沿的AI边缘设备NVIDIA Jetson TX1,实现室内避障平台的软硬件设计,验证了本方案室内移动机器人的有效导航和避障行驶,同时满足移动平台对计算速度的要求。