随着人工智能技术的不断进步,搭载目标识别算法实现路径规划和运动控制是当前机器人技术的研究热点,也是实现自主导航、智能化完成复杂任务的关键。目前移动机器人目标识别算法在精度和速度上难以满足实际应用的需求,同时传统的控制方式较为机械,在实际应用中会导致资源的利用效率不高。因此需要对现有的目标识别算法及步态控制方式进一步优化。本文以足式机器人为研究对象,采用改进单次多框检测器(Single Shot multibox Detector,SSD)、主轴旋转法建立障碍物特征提取和目标识别模型和ADRC控制算法,实现对障碍物快速、精确的分类。基于SSD的机器人步态控制模型研究,主要研究内容和创新点包括:(1)提出了一种改进SSD(Single Shot Multi Box Detector)的障碍物识别算法。采用Soft-NMS(软化非极大值抑制)对网络结构进行优化和改进,获取anchor box为bounding box预测提供更优的初始值。池化层采用空间金字塔池化(Spatial Pyramid Pooling,SPP)方法替换pooling层,保持图像尺度不变和降低过拟合。通过Batch Norm使梯度更加稳定和可预测,从而加快网络学习的训练和收敛速度。改进SSD算法的识别精度为89.5%,识别速度每秒38帧。相比传统SSD算法的精度提高了3.8%,速度提高了2帧。(2)提出了一种基于主轴旋转法障碍物尺寸测量方法。当机器人遇到高度变化较大的障碍物类型时,首先采用改进SSD算法对障碍物进行一次分类,然后再基于改进主轴旋转法测量障碍物高度并进行二次分类,为机器人提供3种步态控制方式,包括“不改变步态沿原路前进、提高底盘跨越障碍和改变路径躲避障碍”。(3)提出了一种融合目标识别障碍物分类结果的机器人步态控制模型。基于改进SSD算法和主轴旋转法的两次分类结果,利用自抗扰(Active Disturbance Rejection Control,ADRC)控制模型搭建机器人实验平台,验证了机器人遇到障碍物时直行、绕行和跨越三种步态及行走轨迹。结果表明本文提出的改进SSD算法能够提升机器人步态控制和路径规划性能,准确度达到83%。