Los métodos existentes de detección de objetos basados en imágenes RGB logran una alta precisión cuando los objetos son estáticos o están en condiciones cuasi-estáticas, pero muestran un rendimiento degradado con objetos en movimiento rápido debido a los artefactos de desenfoque por movimiento. Además, los métodos de aprendizaje profundo de última generación, que dependen de imágenes RGB como entrada, requieren entrenamiento e inferencia en tarjetas gráficas de alto rendimiento. Estas tarjetas no solo son voluminosas y consumen mucha energía, sino que también son difíciles de implementar en plataformas robóticas compactas. Afortunadamente, la aparición de cámaras de eventos, inspiradas en la visión biológica, ofrece una solución prometedora a estas limitaciones. Estas cámaras ofrecen baja latencia, mínimo desenfoque por movimiento y salidas no redundantes, lo que las hace adecuadas para la detección de obstáculos dinámicos. Basándose en estas ventajas, se desarrolló una nueva metodología a través de la fusión de eventos con profundidad para abordar el desafío de la detección de objetos dinámicos. Inicialmente, se implementó una ventana de muestreo temporal adaptativa para adquirir selectivamente datos de eventos e información complementaria, dependiendo de la presencia de objetos dentro del campo visual. Posteriormente, se aplicó una transformación de deformación a los datos de eventos, eliminando efectivamente los artefactos inducidos por el ego-movimiento mientras se preservaban las señales provenientes de objetos en movimiento. Después de esta etapa de preprocesamiento, los datos de eventos transformados se convirtieron en una representación de cola de eventos, sobre la cual se realizaron operaciones de eliminación de ruido. Finalmente, se logró la detección de objetos mediante la aplicación de análisis de momentos de imagen a la representación de cola de eventos procesada. Los resultados experimentales muestran que, en comparación con los métodos actuales de última generación, el método propuesto ha mejorado la velocidad de detección en aproximadamente un 20% y la precisión en aproximadamente un 5%. Para substanciar la aplicabilidad en el mundo real, los autores implementaron un pipeline completo de evitación de obstáculos, integrando nuestro detector con módulos de planificación y desplegándolo con éxito en una plataforma de cuadricóptero construida a medida. Las pruebas de campo confirman la evitación confiable de un obstáculo que se aproxima a aproximadamente 8 m/s, validando así el potencial de implementación práctica.