机器人是现代传感器技术、人工智能技术和自动化技术发展的典型体现，机器人技术的发展水平也代表一个国家制造技术的先进性发展水平。其中，移动机器人的发展最为迅速，已经大规模实现商业化应用。基于工作中实际应用领域的不同，各种类型机器人采用的技术也各不相同。本文提出和开发了一种基于引导节点位置的自主跟随机器人（类似于美国BigDog的轮式机器人），使得机器人跟随引导对象自主规划路径避障前行。该机器人在高尔夫球场、病人看护、物流基地和军事运输等方面有着重要应用。本文以基于RSSI的无线低频定位、计算机双目立体视觉障碍物检测为研究方向重点，结合路径规划技术，对引导节点相对于移动机器人的精确定位、机器人运动场景下的障碍物检测和机器人的路径规划等问题进行了深入研究。主要工作如下：首先，对各种定位方法进行分析，考虑其各自的优缺点，选择出适合于本文特定应用的基于无线信号强度（Received Signal Strength Indicator，简称为RSSI）的无线近场低频定位技术。该技术无需额外硬件，是一种定位精度高、功耗低、成本低、反应速度快的高性价比无线定位技术。在已知机器人定位模块低频发射基站的发射信号强度情况下，引导模块根据实际接收到的信号强度，利用本文提出的自由空间传播模型和离线BP神经网络算法将传输中的信号强度损耗转化为距离，再利用三边测量法计算引导模块的空间三维坐标。由于无线信号传播易受多径、噪声、遮挡等因素的影响，RSSI稳定性较差，本文多处采用改进型高斯滤波来减小RSSI测量误差和定位误差。经过实验验证比较，基于RSSI的无线低频定位模块可达到良好的定位精度。在机器人移动过程中，机器人自主检测障碍物，自我学习和规划路径来避开障碍物安全移动是移动机器人的必备要求。当前的许多研究将视觉避障和视觉导航应用到移动机器人的移动控制中，但由于图像数据量大和视觉处理算法较复杂等原因，在具体应用中存在算法实时性较差、障碍物检测和导航精度不够理想、适用的场景模型单一等缺点。本文在前人的基础上，改进和提出了新的双目立体视觉障碍物检测算法。该算法有特征点深度计算和特征点聚类分割两部分。特征点深度计算中，首先使用Canny算子进行特征点提取，然后采用基于AdaptWeight自适应权重匹配算法进行特征点局部初始匹配，再在此基础上采用基于动态规划的全局匹配算法进行全局精确匹配，算法实现了较高的匹配精度。根据双目立体视觉理论计算出特征点三维坐标后，采用聚类分析方法分割出障碍物对象，并进行优化处理，最终得到各个障碍物的阻挡区域和角度，实现障碍物检测和避障目的。该算法在障碍物信息检测方面有一定新颖之处，且具有良好的算法精确度。实验结果表明，该算法能够满足本系统自主跟随机器人障碍物检测和路径规划的实时性要求，避障效果良好。最后，在分析其它路径规划算法的基础上，基于动态环境下广泛使用的D*算法和PID控制思想设计出移动机器人自主跟随策略。开发出的自主跟随机器人系统在实际场地环境下运行结果表现出良好的无碰撞的自主跟随效果。