本毕业设计项目基于PET/CT设备在临床介入操作中存在的典型安全问题——设备移动路径与医护人员或患者支撑结构之间可能产生碰撞风险。考虑到常规硬件系统在感知透明物、近距离物体等方面的局限，我们尝试搭建一套多传感器融合系统，结合了光电、激光、超声等不同类型传感器，覆盖大范围的感知区间。此外，系统还引入了双目深度相机，并围绕RGB-D数据设计了前景分割和遮挡剔除算法，主要解决支撑结构等非危险目标的误识别问题。在控制层，通过CANopen协议完成与底层伺服的通讯控制，结合人机界面，形成完整的感知—决策—执行闭环。整个系统在联影的实际测试平台上完成验证，系统性能稳定，满足对识别率、避撞率等多个关键指标的要求。

项目的初衷是面向实际临床环境中PET/CT设备与医护人员共处的复杂场景，希望构建一套能够主动感知外部障碍物、及时做出避障策略并控制设备行为的交互系统。最初的设想是通过传感器覆盖不同距离段，再结合视觉信息提升识别精度。同时，为解决医疗环境中部分目标无法建模、部分结构存在透明材质等问题，我们设计了融合深度信息的图像分割策略，用于特定区域的屏蔽。除感知与识别之外，系统还需要具备较高的实时性与响应能力，因此控制层要求支持平稳制动与精细调速，并与上层感知结果实时联动。此外，考虑实际使用者多为非工程专业背景的医护人员，系统在人机交互界面上也进行了适当简化和可视化设计。总的来说，我们试图构建一个兼具功能性、安全性与可用性的原型系统。

项目最终实现了一套集感知、识别、交互与控制于一体的智能避障系统，并在真实医疗设备上完成了部署与验证，体现出优异的系统性能和应用前景。在感知层面，项目成功集成光电、激光和超声波三类传感器，形成覆盖近远距离的多模态障碍检测网络，结合深度相机提供的RGB-D信息，实现对复杂医疗场景中透明或非规则障碍物的稳定识别。在算法方面，团队自主提出融合RGB-D信息的轻量化图像分割模型SUNet-D，并配套设计双阶段立体框障碍检测策略，实现对患者支撑结构的精准识别与自动屏蔽，极大提高了系统整体识别精度与稳定性。在控制与交互方面，开发了基于PySide6的图形化人机界面，并完成与底层CANopen总线通信协议的集成，实现对伺服电机的有效控制与制动响应。系统已通过在联影医疗平台上的实机联调，达到了制动平稳、安全防护可靠、用户交互友好等多项性能指标，为后续医疗场景中智能化交互系统的推广应用奠定了坚实基础。