自主导航是机器人可以应用到许多任务中的一项重要能力,是赋予机器人感知和行动能力的关键。随着计算机视觉的不断发展,基于视觉感知来完成自主决策成为机器人领域研究的热点。近年来,由于深度学习在目标检测、图像分类、语义分割等许多视觉任务上取得较大的成功,基于深度学习的导航方法也得到了广泛研究。但这类方法的局限性在于训练网络时对专家演示数据的需求量较大,或设计基于规则的控制策略时对先验知识的储备量要求较高。相反,深度强化学习方法赋予了机器人强大的决策能力,其通过在仿真环境中利用奖励机制进行试错学习,弥补了上述方法的缺陷。然而,由于仿真平台无法准确地模拟真实环境,因此将仿真环境中学习到的视觉导航策略部署到真实环境中具有较大的挑战性。此外,目前许多与视觉导航有关的工作仅依赖单目视觉进行感知,这极大地限制了机器人的导航决策能力。虽然引入多相机能够赋予机器人更强大的感知能力,但这也会增加数据的处理难度,并在一定程度上带来视觉信息的冗余。基于以上分析,本文提出了一种由多相机感知、地图导航和多分支控制模块组成的机器人视觉导航方法。首先,针对深度强化学习难以将学到的策略从仿真环境迁移到现实世界的问题,提出了一种名为“边界线”的视觉表征并设计了端到端的边界线检测网络,然后通过设计两阶段学习损失函数进一步提升网络的检测性能。边界线检测网络通过将二维图像塑造成一维的边界线特征,使仿真和现实世界的感知形式趋于一致,其不仅保留了重要的视觉信息,如障碍物与马路的轮廓形状,而且降低了数据的维度,加快了强化学习策略的搜索过程。其次,针对多相机的数据处理以及信息冗余问题,本文提出了基于多相机感知的注意力模型,该模型能够关注重要的视觉特征信息,进一步提升机器人的感知能力。此外,本文还引入了高级指令生成网络,并开发了一套导航交互系统来部署机器人的自主导航策略。最后,在实验方面,本文将上述方法部署在真实机器人平台上,并在CARLA自动驾驶仿真平台以及真实校园环境中与四种基线方法进行了比较。实验结果表明,本文提出的方法具有更好的性能。