随着无人机相关行业的发展以及操作方式的日趋简单,无人机的机动性与载重能力大幅提高、环境适应性明显提升、价格及维修成本也日趋低廉。其功能已从最初的战斗、巡逻、侦查等军用领域逐步延伸至工业及民用领域,如电力巡线、军警消防、测绘或是航拍等,这也使得无人机的安全问题受到越来越高的重视。为了进一步提升无人机的自主性能,提高其安全性,无人机需要具备避障能力。当在飞行路线上遇到如建筑、树木、电线杆等障碍物体时,无人机可及时感知并采取适当的方式进行避让。为了实现无人机的避障功能,参考了传统的避障算法,如VFH算法(Vector Field Histogram,向量场直方图)、人工势场法等,以及近几年应用较为广泛的基于机器学习实现避障的算法。本课题将RealSense与无人机结合,获取无人机前进方向的深度数据,并基于该数据设计了两组不同的避障算法:一组在VFH算法的基础上提出一种三维VFH算法,将传统的二维避障算法应用于三维空间内;另一组则采用机器学习中的强化学习实现避障。两组避障算法均以深度数据作为输入数据,并结合无人机的尺寸及当前的目的飞行方向确定避障策略。测试结果表明两组算法均可实现无人机在三维空间的避障功能。论文主要围绕两组避障算法展开,首先简要介绍了设计中的软硬件结构,随后分别对三维VFH算法及基于强化学习的避障算法进行较为详细的介绍,最后论述测试部分。测试中先在仿真环境下测试两组避障算法,根据算法的避障效果进行优化,并最终迁移至真实环境内实现无人机的避障功能。其中仿真环境模拟室内的情况,实际中则选择地下停车场进行测试。