微型無人機（UAV）因其輕量且靈活的特性，特別適合在狹窄且障礙物密集 的室內環境中執行自主飛行任務。然而，在高度受限的尺寸、重量與功耗條件下， 實現可靠的機載避障能力仍是一項重大挑戰。本研究提出一套即時、基於視覺的 避障系統，運行於搭載 Flow Deck 與 AI Deck 的 Crazyflie 2.1 微型無人機平台 上。 我們的系統利用 DIS（Dense Inverse Search）光流演算法，結合無人機的 IMU 數據，透過所提出的 FlowDep 深度估計演算法產生精確的深度圖。相較 於先前版本，整合於 PC 的改良版 FlowDep 在深度準確度上有顯著提升，並 大幅減少了消失點現象，搭配滑軌進行鏡頭校正，更進一步提升了整體深度估測 的精度。 為實現低資源下的即時決策，我們將解析度為 324×244 的深度影像平均分 割為 8×8 共 64 格子，每格代表區域平均深度。系統接著將整張圖像分為五個 空間區域——左、右、上、下與中間，其中中間區域進一步細分為「危險區」與 「緩衝區」。透過這些區域中障礙物的分布情形，結合自訂的規則型避障策略， 系統可即時判斷飛行方向。 我們在兩種實驗環境中進行測試。首先在一個受限的室內空間（1.8 米 × 2 米）中驗證避障功能的正確性，接著於較大的飛行場域（4 米 × 6 米）進行挑 戰性場景測試：包含 (1) 隨機擺放多個障礙物進行完整避障任務，及 (2) 架設 狹窄 S 型通道以測試無人機穿越窄道的能力。 本研究所提出的系統在計算與記憶體資源極度有限的條件下，展現出穩健的 表現，為微型無人機提供一套可行的、全機載的視覺式避障解決方案。

Micro UAVs are well-suited for autonomous indoor navigation due to their lightweight and agility. However, achieving reliable onboard obstacle avoidance under strict size, weight, and power constraints remains a major challenge. This paper presents a real-time, vision-based obstacle avoidance system implemented on the Crazyflie 2.1 platform equipped with Flow Deck and AI Deck. We introduce FlowDep, a depth estimation algorithm that fuses DIS (Dense Inverse Search) optical flow with IMU data to generate accurate depth maps. Compared to previous versions, the improved PC-integrated FlowDep achieves significantly higher depth accuracy, reduces vanishing artifacts, and further enhances precision through camera calibration using a linear slider. The resulting 324×244 depth map is uniformly divided into an 8×8 grid, producing 64 average-depth cells. These are classified into five spatial zones: left, right, top, bottom, and center—with the center further divided into danger and buffer areas. A custom rule-based strategy interprets obstacle distribution and determines safe flight directions in real time. The system is evaluated in two indoor environments: a small test area (1.8×2 m) for initial validation, and a larger space (4×6 m) featuring two scenarios—scattered obstacles and a narrow S-shaped corridor. Experimental results demonstrate that the proposed system achieves robust real-time performance with low computational overhead, offering a practical and efficient solution for fully onboard obstacle avoidance in resource-constrained micro UAVs.