环境感知与自主避障是智能移动机器人研究领域的核心内容之一,是机器人完成高级任务的基础。在不具备任何先验的地图环境条件下,机器人仅依靠自身携带的传感器来感知周围环境,根据障碍物信息规划出下一时刻的动作和轨迹,最终尽可能安全、高效地从任务起点到达终点。本课题结合国家自然科学基金(31470714),在RM(ROBOMASTERS)机器人平台上,以上海SLAMTEC公司生产的RPLIDAR A2激光雷达为主要测距传感器,围绕障碍感知与自主避障展开,从理论和实践上进行深入的研究和探讨。重点解决了传统VFH(Vector Field Histogram)算法阈值敏感问题以及优化局部避障算法路径问题。首先,在RM机器人系统平台的基础上,建立了机器人与激光雷达传感器的坐标系统模型。针对机器人坐标系、世界坐标系以及传感器坐标系三者之间的坐标变换关系进行推导分析,实现机器人避障过程中传感器数据在各个坐标系内的转换。为了提高算法对障碍物识别的效率以及整个避障系统的实时性,提出一种新的障碍物模型来描述周围环境信息,该模型的选取是基于极坐标矢量法,取代了传统的栅格法描述地图信息,减少了数据存储量。通过判断障碍物之间的距离是否满足机器人通过,将障碍物分类合并成障碍物群。其次,针对传统VFH算法的避障效果以及改进后自适应阈值算法的避障效果,做出仔细的分析与讨论,发现两点缺陷问题:第一点,VFH算法存在阈值敏感的问题;第二点,VFH算法或者由VFH算法改进而来的算法,都是采用可行扇区角分线方式获取可行方向,导致机器人的路径达不到更优。针对上述问题,提出一种邻边垂直外扩法的局部避障算法,可行方向的选取参考障碍物与机器人之间构成的邻边,在一定程度上解决掉阈值敏感的问题,同时保证机器人运动的路径更优。最后,通过仿真和实验两种途径验证本文提出的障碍感知模型,结果表明,采用该模型能够减少数据存储空间,提高系统响应能力。在验证避障算法方面,通过Matlab仿真验证算法可靠性,并成功应用与RM机器人平台上,从不同角度验证邻边垂直外扩法的可行性,实验内容包括单个和多个障碍物的避障效果分析,阈值大小对避障性能的影响,以及不同避障算法避障结果对比分析。实验现象表明,邻边垂直外扩法在大阈值、小阈值下都有良好的避障性能,随着阈值的增大,避障算法规划出的运动轨迹越平滑连续。并且通过本文提出的避障算法获得的运动路径更优于传统避障算法。