随着科技的迅速发展,自主移动机器人已经融入到了我们的工作和生活当中。然而,机器人只有具备足够优秀的环境感知能力和自主移动能力才能真正地实现其应用价值。目前的移动机器人通过搭载各式各样的传感器来帮助其检测环境中的障碍物,进而自主地完成移动工作,例如激光传感器、红外传感器等。然而,要让移动机器人完整地感知环境,需要安装多个传感器相互配合工作,这使得机器人的能耗增加,无法长时间工作。本文针对现有障碍物检测方法中设备复杂,获取环境信息不全,实时性差以及避障方法中的实时性、稳定性、局限性等问题,在现有的障碍物检测及避障方法的基础上,提出了一种基于RealSense深度信息的障碍物检测和避障方法。主要研究内容如下:第一,针对目前障碍物检测方法中设备繁琐、实时性不高的问题,提出了一种基于RealSense深度信息的障碍物检测方法。该方法以RealSense作为信息采集设备,能够同时获取环境的彩色图像信息和深度图像信息。首先,通过对图像信息预处理,去除采集过程中由于设备精度及采集操作所产生的噪声点及离散点;其次,对预处理过后的深度图像进行平面拟合和去除操作,以此消除图像中背景平面以及地面对障碍物检测的影响,减少后续检测过程中所需要处理的点云数量;最后采用一种基于Harris角点检测的方法提取障碍物的特征值,通过基于视点特征直方图的描述符计算目标物体的描述符,并将色彩信息作为描述符的一部分加入其中,用以判断检测点是否为目标物体的点,通过描述符匹配算法得到检测结果。第二,针对传统人工势场法中目标不可达问题和局部最小值问题,对传统人工势场法进行改进。针对目标不可达问题,引入目标点与机器人的相对距离作为斥力因子,来限制斥力对移动机器人的影响;针对局部最小值问题,使用基于机器视觉的方法帮助机器人判断局部最小值区域,并帮助机器人脱离此区域,到达目标点。第三,在以上研究的基础上,设计并实现了一套基于RealSense深度信息的障碍物检测及避障系统。该系统通过RealSense摄像头实时获取场景的图像信息和深度信息,并结合以上两点的研究内容,解决了在机器人自主行走过程中障碍物检测和避障的问题,实现智能机器人的环境感知和自主行走功能。