目标检测是移动机器人感知环境的重要方式之一。移动机器人利用自身携带的摄像头,可以实时获取周围环境的图像。而目标检测利用图像可以帮助机器人对周围可能存在的目标进行检测和定位。本文专注机器人智能化,着力于将深度学习目标检测方法应用在移动机器人平台上。针对机器人计算设备算力有限的问题,本文中目标检测网络均采用轻量级基础网络,使得目标检测整体算法能够实时运行。本文实现了三类不同目标检测方法以解决移动机器人中多个问题。三类目标检测方法分别为二维目标检测方法、旋转目标检测方法和三维目标检测方法。移动机器人平台包括四旋翼无人机和移动射击机器人两种。四个问题分别为:四旋翼机器人中的斜视图像二维目标检测问题和俯视图像旋转目标检测问题,步兵机器人中的自主目标打击问题和单目三维定位问题。针对以上四个问题,本文主要做了四个方面的工作:1.四旋翼飞行器斜视图像二维目标检测问题。本文基于Faster-RCNN[]进行改进,设计了 一个轻量级基础网络(lightweight backbone network)加快整个算法的运行速度,在保证目标检测准确率的同时解决了原Faster-RCNN[]方法实时运行速度不高的问题。根据斜下视图像中目标物体大小与物体图像中心纵坐标相关的特点,本文提出了一种增量式先验框(incremental anchor),增量式先验框尺寸与其图像纵坐标线性相关,实验证明增量式先验框能有效提高目标检测准确率。此项工作在国际空中机器人大赛(International Aerial Robotics Competition)中作为环境感知模块帮助四旋翼机器人自主搜索地面移动机器人,助力团队连续两年获得大赛冠军。2.四旋翼飞行器俯视图像旋转目标检测问题。本文提出了一种深度学习二维旋转目标检测方法。目标检测网络主要包含三个模块:轻量级基础网络,用于提取图像特征获取特征金字塔(featurepyramid);旋转检测网络,在特征金字塔上进行五参数回归预测旋转边界框及框内目标类别;朝向检测器,利用运动物体头尾区域分离式分类获取物体运动朝向。实验验证提出方法能够在有效检测旋转移动物体的同时估计物体运动方向。3.步兵机器人中的目标检测和目标打击问题。本文提出了 一种基于深度学习的目标打击方法。该方法主要包含两个部分:第一,对目标检测方法YOLOv3[]进行改进,设计一个轻量化基础网络,使改进后的算法能够在算力有限的微型计算设备TX2上达到每秒处理26帧图像的运行速度,同时保持较高的目标检测准确度。第二,提出了一种步兵机器人中的自主打击快速移动目标方案,依赖目标检测结果控制二自由度炮台瞄准目标发射子弹进行打击。同时,设计状态机控制云台运动解决摄像机感知范围过小的问题。最后以实物实验形式实现整体方案,展示移动机器人自主击打移动目标过程。此项工作助力团队在2019 ICRA Robomaster人工智能挑战赛中获得亚军。4.步兵机器人中的单目三维目标定位问题。本文利用当前最先进的单目三维深度学习目标检测方法M3D-RPN[]对步兵机器人进行三维定位,引入纵向分离的卷积操作改进算法有效提高定位精度。进行实物实验验证算法有效性,实验结果表明算法能够解决步兵机器人中的三维目标定位问题。