近年来,越来越多的服务类机器人进入人们的生活。在人机共居的环境下,机器人既需要完成任务,又需要与人保持适当的距离,做到及时避让。传统的机器人避让方法,往往使用激光雷达、深度相机和传统的视觉处理算法,前两种方法成本过高,而传统的视觉处理算法会受光照等因素影响,并且过程也尤其繁琐。针对以上缺点,本文通过低成本单目相机,结合基于深度学习的深度估计与人体检测算法,仅用单张图片即可检测到人体,同时得到人体的深度信息,让机器人在正常运行的同时能够对人及时避让,因此本文的主要工作可分为以下四个部分:1)针对传统深度估计方法过程复杂且计算量大的缺点,本文使用深度学习来进行深度估计。但是目前大多数基于深度学习的深度估计都是采用回归的办法,用均方差最小化训练回归网络,并用跳连接层来获取高分辨率的深度图,因此会存在收敛速度缓慢、不理想的局域解和网络训练复杂等问题。在此背景下,本文提出一种深度空间递增离散化策略来将深度值离散化,并作为一个有序回归问题来训练网络,最后通过构造一个有序回归损失函数,来获取更高的精度和更快的收敛。2)针对以往人体检测算法在定位阶段矩形框精度不够的缺点,本文通过对候选框区域、特征金字塔与损失函数进行平衡优化来进一步提高模型性能,提高定位精度。3)针对卷积神经网络训练过程中大量参数反复更新导致训练速度较慢的问题,本文提出了基于卷积层与BN层权值冻结的模型压缩剪枝方法,在反向传播阶段,通过对不同卷积层和BN层的权值进行冻结,使整个神经网络的更新参数按照一定的比例更新,再根据模型的准确率选出最优的冻结层数,这可为后续模型迭代节省大量时间。4)本文将深度学习与边缘计算相结合,通过对Atlas 200 DK嵌入式开发板进行环境搭建,并将训练好的模型移植部署到开发板上,同时结合移动机器人,在实际场景中验证本文算法的有效性。实验结果证实本文通过低成本的单目相机结合深度估计算法,仅用单张图片即可在人机共居的环境下让机器人对人成功进行避让。