互联网和人工智能的兴起加速推动了智能车的发展。智能车在仓储物流、工业制造、安防等领域应用越来越广泛。智能车在工业领域上的应用,在提高了工作效率的同时,也大大降低了交通运输业和制造业的成本,而对于有毒和有害的环境下运输,代替人进行工作方面同样具有广泛的应用前景和很高的实际应用价值。本智能车设计采用ROS系统,带有同步定位建图系统和视觉跟踪系统,可以在复杂的环境中代替人进行工作。首先,对智能车的常用底盘结构进行分析,在此基础上,综合考虑智能车设计的成本、可靠性、开发难度等多方面因素,采用差速四轮转向结构对智能车底盘结构进行设计。然后对智能车硬件系统进行设计,该硬件系统由两部分组成:上位机嵌入式系统和下位机底盘运动控制系统。对于上位机嵌入式系统采用Raspberry Pi 3B+,并且搭载Kinect深度相机和激光雷达;下位机底盘运动控制系统则采用STM32F103底层控制系统。然后通过对ROS操作系统的基本特性、通信机制、文件系统进行分析,在此基础上在智能车上位机嵌入式系统Raspberry Pi 3B+中搭建Ubuntu MATE 16.04和对应的ROS Kinetic系统。基于搭建的系统平台,建立智能车的ROS软件架构,采用独立节点方式,对智能车主要功能模块的软件进行设计。在底盘运动控制节点设计方面,通过对上位机ROS系统和下位机STM32之间串口通信协议的制定,实现底盘运动控制的功能。在同步定位建图节点和视觉跟踪节点设计方面,对智能车主要功能模块的软件进行设计。此外,通过安装Kinect深度相机和激光雷达的驱动程序,对外部传感器节点进行设计。其次,对智能车同步定位建图系统进行设计。首先对SLAM算法进行介绍,由于SLAM算法对传感器数据处理提出很高的要求,因此需先建立差速四轮转向结构底盘的运动学模型,并基于该运动学模型建立系统的里程计模型,并对里程计进行标定。然后再建立激光雷达数学模型,并且进行运动畸变去除处理。之后对激光的前端进行配准后,对本智能车同步定位建图系统采用图优化SLAM算法进行设计。最后搭建4.8m×3.5m的实验环境,进行智能车地图构建实验和自主导航实验,实验结果表明本智能车可以在陌生环境中建立地图,并且可以进行自主导航避开障碍物。最后,对智能车视觉跟踪系统进行设计。首先对KCF跟踪算法进行介绍,然后建立基于KCF算法的视觉跟踪系统,利用循环矩阵在傅里叶空间可对角化的性质,使得矩阵运算被转化成元素的点乘,减少计算量并且提高运算速度,可以满足实时性要求,实现智能车视觉跟随功能。经过实验和数据分析,本移智能车能较好地实现视觉跟踪功能,完成对指定目标的跟踪。