碰撞避免作为移动机器人的一个重要的功能,在现实场景中有巨大的应用价值,比如自动驾驶、仓储物流等。近年来随着深度强化学习的发展,越来越多的研究员尝试采用深度强化学习的方式来解决移动机器人的碰撞避免问题。基于深度强化学习的避障策略采用去中心化的控制方式赋予每一个移动机器人独立自主的避障能力,解决了以往中心化控制避障策略带来的定位失败、计算量大和网络延迟等问题。但是基于深度强化学习的避障方式需要首先在仿真环境中对避障策略进行训练,然后迁移到真实的环境中。但由于仿真环境和真实环境之间存在巨大的差距,比如物体的纹理和颜色等,从而导致在仿真环境中训练好的避障策略很难迁移到真实的环境中。为了缩小仿真环境和真实环境的差距,实现避障策略的有效迁移,研究人员将研究的重点放在激光传感器上面。因为激光传感器可以提供准确、简单的一维距离信息,并完全的忽略仿真环境与真实环境在纹理与颜色上的差别。但是价格昂贵的激光不但不能在现实场景下大规模的使用,而且对一些不规则的物体具有低鲁棒性。为了解决激光带来的问题,本文提出了一种基于纯视觉的避障方式。通过深度预测算法来获取周围物体的距离信息,并联合利用图像分割算法获取的语义信息对收集到的RGB图像进行编码,得到一种伪激光数据。这种伪激光数据不但拥有激光传感器的数据简单、准确的优点,而且包含丰富的语义信息。相比于传统的激光数据,所提出的伪激光数据大大提高了移动机器人对不规则物体的避障性能。同时,为了实现避障算法从仿真到真实的有效迁移,提出了一种新的数据增强方式,即通过对仿真环境中采集到的精准激光数据做加噪处理,使其可以更好地模拟真实环境下预测到的伪激光数据。受传感器影响,移动机器人在仿真环境中训练的过程是一个部分可观测马尔可夫决策过程,为了使移动机器人可以更好的观测周围环境,引入了注意力机制和记忆循环神经网络机制,使移动机器人可以更好的把握周围场景。实验证明,本文提出的方法对于一些不规则的物体,例如桌子,椅子等,可以进行有效的避障。并且可以通过数据增强的方式将避障策略有效的迁移到真实的环境中,实现移动机器人在现实场景下的高效避障。