人工智能的快速发展推动了机器人的普及与应用,其中视觉自主机器人已经可以在某些领域辅助甚至替代人类工作,例如抗灾救险中视觉机器人可以替代人类在危险环境中完成救援任务。视觉机器人的避障能力是机器人导航的重要内容。然而在雾霾环境下,设备采集的图像会发生退化,导致图像中用于避障的深度信息与障碍物特征弱化甚至丢失。针对这一问题,展开雾霾条件下的单目机器人避障策略研究。视觉机器人的避障关键点在于获取障碍物的深度信息。相比在无雾条件下获取场景内障碍物深度的方法,在雾霾环境中,可以利用图像退化模型通过求取雾霾图像的深度图获取其对应场景的深度信息。但在实验中发现雾霾退化模型中大气光值估计不准确,求取的计算雾霾深度图与实际场景深度图之间存在误差,同时在障碍物的检测识别中,机器人的多目视觉存在匹配精度较低、成本高等缺点。针对以上问题,本文首先提出强鲁棒大气光估计方法,其主要通过对图像内灰度像素的选择和最小值滤波运算过滤干扰项,进而估计出雾霾图像内的大气光值;之后对雾霾条件下估计距离与精确距离的误差进行分析,提出基于特征学习的深度补偿模型:通过基于泊松编辑融合的图像增强对边缘信息与亮度进行融合,并对数据集内的图像数据添加雾霾处理后进行训练,由模型的具体参数得到补偿后的精确深度图。最后针对障碍物模型的假定条件,提出基于相机成像模型的避障策略:在得到精确深度图后,通过标定盲区位置信息和相机的倾斜角度建立场景内相机的成像模型,在对图像进行深度边缘检测后,借助障碍物边缘信息的水平扫描线确定无障碍区域,并利用关键点在模型中的位置判断指示出下一步的路径规划。在实验结果中,本文方法基本实现了对障碍物的避障。本文的主要贡献有:(1)提出强鲁棒大气光估计方法估计雾霾模型中的大气光值,提高了大气光值估计的准确度;(2)通过分析雾霾环境下场景的估计距离与精确距离的误差,在暗通道去雾的基础上,将图像亮度和边缘强度作为变量建立误差补偿模型,得到较为精确的深度图;(3)建立相机、盲区、光中心等参数的成像模型,利用标定特征点以及水平扫描线的特殊性,实现了对雾霾条件下障碍物的避障检测及路径规划。