动态环境下的路径规划是机器人安全高效地完成导航任务的重要保证,特别是在有行人参与的环境中,机器人必须具备一定与环境的交互反应能力。现有的算法大多为获取行人信息而设置专有的目标检测模块,甚至为此配备专属传感器,跟踪与预测行人的运动状态。然而由此带来了两方面的问题:一是在目标识别、跟踪、预测与多源传感器信息融合环节需要额外的计算开销,无法为后续避障算法提供低时延环境信息,对人类的生命安全造成直接威胁;二是作为典型的完整约束目标,人类行动具有不可预知性,即行人具备在任意时刻任意地点改变运动方向与速度,根据行人的先验行为而做出的预测在严格意义上来说并不可靠。为提高行人参与的动态环境下机器人避障算法的可靠性与安全性,受自动驾驶技术的启发,本文引入对动态环境表征与多源传感器信息融合更具优势的动态栅格地图,围绕如何高效计算动态栅格地图,以及如何有效利用动态目标的速度信息而开展研究,提出一种适用于多动态目标环境的实时避障方法:首先,为感知动态环境,将机器人避障环境定义为随机动态系统,设计多目标状态估计器PHD/MIB滤波器,并引入D-S证据理论对未观测栅格做近似处理,削减不必要的环境表征计算,完成DS-PHD/MIB滤波器的粒子实现,并对滤波效果加以仿真验证。其次,为提高粒子滤波器的数据处理能力,以保障后续路径规划算法对实时环境信息的需求,在传统栅格地图的GPU并行加速算法基础上,增加粒子排序环节,简化了粒子与栅格间的关联计算,将平均单帧数据处理时间压缩至66ms,使计算效率提升了22.87%。再有,针对机器人在躲避行人过程中所存在的任务特点,设计了行人模型下的临界区域与激活区域,作为QVFF人工势场法的虚拟力临界条件。并将相对速度作为原算法中“绕行力”的运动学解释,建立新的绕行力函数,有效减少了机器人绕过行人的响应时间,并将机器人与行人模型的最小间距增大了13.9%～38.36%,提高了系统安全性。最后,借助分层代价地图的软件结构,在环境感知系统与路径规划算法间搭建信息连接桥梁,即由动态栅格地图生成对应的局部代价地图,嵌入ROS开源导航技术栈,完成对仿真实验框架的搭建,并实现与主流开源路径规划算法的兼容。