Junge Wissenschaft

9,50 EUR // Ausgabe Nr. 99 // 28. Jahrgang // 2013

Jugend forscht in Natur und Technik

Young Researcher

The European Journal of Science and Technology

Medienpartner des Wissenschaftsjahres 2013

Experimente, e v w a ti

nd spannend e

n geb Er

isse:

I n n ov

Themen: Robby Car // Wie der Vater so der Sohne // Zahlen in Bewegung // Mehr Informationen beim BarcodeScannen // Plants can defend themselves

zin a g a hs M c s u Da chw a r e N h r c fü ors f

eu

Bakterien als Freund und Helfer

räg

Biotechnologie:

chaftliche B s n eit e iss

Außerdem im Heft: Allianz am seidenen Faden // Wissenschaftsjahr 2013: Wir werden vielfältiger – Wie gestalten wir das neue Miteinander? // Studium & Beruf: Maschinenbau // Die Femtec.GmbH an der TU Berlin bietet Orientierung im MINT-Dschungel u. v. m.

3

DEINE

IDEE

LÄSST DICH NICHT MEHR

LOS ?

Dann melde Dich an! Bis 30. November 2012: auf jugend-forscht.de

Editorial Vielen Dank allen Firmen und Unternehmen, die mit Patenschaftsabonnements in die Zukunft investieren:

Andreas Binder, Neu-Ulm

Prof. Dr. Wilfried Kuhn, Villmar/Gießen

Physikalisch Technische Bundesanstalt

Braunschweig und Berlin

Physikalisch-Technische Bundesanstalt Braunschweig und Berlin

Produktionshelfer aus der Natur Rotwein, Käse und Baguette – da denken viele eher an einen Urlaub in Frankreich als an Biotechnologie. Dabei gehören alle drei Lebensmittel zu den ältesten Anwendungen von Biotechnologie: Bei Wein und Brot wandeln Hefen Zucker in Alkohol und Kohlenstoffdioxid um. Bei Käse spalten Enzyme die Bestandteile der Milch und erzeugen eine feste Käsemasse. Früher wurden die Enzyme hierfür aus Kälbermägen gewonnen, heute erledigen Schimmelpilze in Bioreaktoren diese Arbeit. Die Biotechnologie ist also keine neue Technologie, aber eine hoch innovative. Selten ist sie direkt sichtbar und steckt in mehr Produkten, als wir ahnen: So ist die Massenproduktion von Impfstoffen gegen Schweinegrippe nur dank der Produktionshelfer aus der Natur möglich. Enzyme verhelfen Textilproduzenten zum stone-washed Effekt von Jeans, und Bakterien leisten in der Waschmittelindustrie Schwerstarbeit.

ohne die Unterstützung von Bakterien, die einen Antibiotikacocktail für ihre Larven produzieren, nicht überleben. Die Farbe Grün wird für die Verfahren genutzt, die in der Landwirtschaft zum Einsatz kommen, eine sehr alte Anwendung, denn die gezielte Züchtung von Pflanzen und Tieren führen Menschen schon lange durch. Mit der Genforschung sind jedoch gerade hier völlig neue Möglichkeiten entstanden. Dabei gilt es mit den Erkenntnissen sehr verantwortungsvoll umzugehen. Und schließlich noch die Farbe Weiß: die industrielle Biotechnologie. Auch diese ist nicht ganz neu: So wurde ab 1909 ein industriell hergestelltes Enzym beim Gerben von Leder verwendet. Heute wird Biotechnologie häufig eingesetzt, um komplexe chemische Moleküle durch MikroorganisPhysikalisch men herstellen zu lassen. Dies spart vielTechnische fach Zeit und Energie und ist häufig auch Bundesanstalt umweltschonender. Braunschweig und Berlin

3 Young Researcher

Danke

Biotechnologie ist eine klassische Quer- Ob die Forschungen unserer beiden junschnittstechnologie, in der Erkenntnisse gen Autoren Muharemovic und Wohl (ab und Verfahren nicht nur aus der Biologie Seite 50) mal die Grundlage für ein Pflanund der Biochemie genutzt werden, son- zenschutzmittel bilden, weiß ich natürlich dern auch aus Physik, Chemie, Verfah- nicht. Aber sie haben mir gezeigt, dass renstechnik, Materialwissenschaften und Pflanzen sich gegen das Gefressen werden sogar der Informatik. Im Zentrum der zur Wehr setzen. Dass diese beiden ForBiotechnologie steht die Anwendung von scher aus Luxemburg kommen, freut mich Wissenschaft und Technik auf lebende Or- besonders. Denn auch hier wird seit Jahren ganismen, um Güter herzustellen. Um die mit einem Wettbewerb versucht, das kreaAnwendungsgebiete der Biotechnologie zu tive Potential von jungen Menschen in der unterscheiden, hat sich eine Farbenlehre Wissenschaft zu fördern. Und noch ein herauskristallisiert. Die Farbe Rot steht für Lesetipp: Sollten Sie als Kind gerne Bobby Anwendungen in der Medizin. So wurden Car gefahren sein, dann lassen Sie sich mal 2011 in Deutschland 198 Medikamente überraschen, was Niklas Demel aus einem Physikalisch-Technische Bundesanstalt und Impfstoffe biotechnologisch herstellt. technisch simplen Spielzeug gemacht hat. Braunschweig und Berlin Heute sind es sicher schon mehr und die Grundlage hierfür sind Forschungen, wie Dr. Sabine Walter, sie in unserer Titelgeschichte ab Seite 10 Mitherausgeberin und Chefredakteurin vorgestellt werden: Viele Insekten können der Jungen Wissenschaft

Impressum Gründungsherausgeber: Prof. Dr. rer. nat. Paul Dobrinski † Herausgeber: Prof. Dr. Manfred Euler, Dr. Dr. Jens Simon, Dr.-Ing. Sabine Walter Verlag: Verlag Junge Wissenschaft Athanasios Roussidis Neuer Zollhof 3 40221 Düsseldorf

Chefredaktion: Anzeigen: Bilder: Dr.-Ing. Sabine Walter Areti Karathanasi fotolia.de Telefon (02 11) 74 95 64-82 [email protected] [email protected] Druck: Redaktion: Tannhäuser Media GmbH Areti Karathanasi Grafik & Layout: Büttgenbachstraße 7 Ideenfilter Werbe40549 Düsseldorf Erscheinungsweise: und Designagentur GmbH vierteljährlich Geschäftsbedingungen: Neuer Zollhof 3, 40221 Düsseldorf Es gelten die Allgemeinen GeschäftsbedinMartin Richelmann, Sonja Bergs Preis: gungen des Verlags Junge Wissenschaft 30,00 € zzgl. Versand für 4 Ausgaben; Objektleitung Athanasios Roussidis Schüler, Studenten, Referendare, Lehrer Areti Karathanasi Telefon (02 11) 74 95 64-82 zahlen nur 20,00 € zzgl. Versand; ISSN 0179-8529 Einzelpreis: 9,50 € zzgl. Versand [email protected]

Magazin Inhalt

Junge Wissenschaft 99 // 2013

4

60 Wir werden vielfältiger – Wie gestalten wir das neue Miteinander?

10

Eine neue Vielfalt der Kulturen, der Generationen und der Lebensentwürfe prägt unsere heutige Gesellschaft:

Allianz am seidenen Faden Viele Insekten sind auf die Unterstützung von Bakterien angewiesen. Die Mikroorganismen produzieren Überlebenscocktails für ihre Larven, helfen beim Abbau schwer verdaulicher Kost oder liefern lebenswichtige Vitamine. Martin Kaltenpoth und sein Team vom Max-Planck-Institut für chemische Ökologie in Jena entlocken den Symbiosen zwischen Insekt und Mikrobe verblüffende Details.

Die Zuwanderung von Fachkräften und ihren Familien aus dem Ausland nimmt zu. Wir erleben erstmalig das Zusammenleben von vier Generationen und weil wir länger als jemals zuvor leben, haben wir mehr Zeit für die Lebensgestaltung.

Editorial 3 Inhalt



4–5

Magazin I 10 Neues 6 –9 Optimales Licht für die Algenzucht 6 Ein Moos für sauberes Wasser

10

6

Unterwasserantrieb aus dem 3D-Drucker 7 Wie die Fettaugen auf der Suppe entstehen

Allianz am seidenen Faden

– 17

8

Mit Bakterien Ölkatastrophen bekämpfen 9

Magazin II 60 – 74 Wissenschaftsjahr 2013: Wir werden vielfältiger – Wie gestalten wir das neue Miteinander? 60 Neues aus MINT: Wo geht’s lang? Die Femtec.GmbH an der TU Berlin bietet Orientierung im MINT-Dschungel 62 Maschinenbau an der Leibniz Universität Hannover studieren

64

Studien- und Berufsführer: Maschinen- und Anlagenbau

66

Literaturtipps

73

Jugend forscht 18 – 59 Robby Car Wie mein Bobby Car das Selbstfahren lernte 18 Wie der Vater so der Sohne Untersuchungen zur Vererbbarkeit der Grundmuster von Fingerabdrücken

26

Zahlen in Bewegung Wenn Sätze sich gegenseitig beschreiben

36

Mehr Informationen beim Barcode-Scannen Erhöhung der Informationsdichte zweidimensionaler Barcodes durch die Verwendung von Farben

44

Plants can defend themselves Defence of Garlic (Allium Sativum L.) Against Herbivory and Heavy Metals with Insights on the Sulfur Metabolism 50

Für Kleinkinder ist das Bobbycar das erste Auto zum Selberfahren. Wenn die Beine der Besitzer dann zu lang werden, wird das Spielzeug zum selbständig fahrenden E-Mobil.

18

Autor: Niklas Demel

Wie der Vater so der Sohne Fingerabdrücke sind individuell und einzigartig und dienen der Identifikation von Menschen. Ob sie jedoch vererbbar sind, ist bisher nicht geklärt. Statistische Tests zeigen, dass dies zumindest für die Grundmuster gilt.

Ausgehend von dem Zählsatz „In diesem Satz kommt die Zahl 2 genau 2 mal vor“ wurden weitere wahre Zählsätze sowie allgemeine Zusammenhänge über Folgen von Zählsätzen gesucht.

26

In Strichcodes und Barcodes werden Informationen graphisch verschlüsselt. Vielmehr Informationen können gespeichert werden, wenn statt schwarz und weiß vier Farben verwendet werden.

36

Herbivores are the enemies of plants. But the plants are not defenseless. They developed a chemical answer. Autoren: Charel Wohl, Amel Muharemovic

Gründungsherausgeber: Prof. Dr. rer. nat. Paul Dobrinski †

Beirat: Dr. J. Georg Bednorz Nobelpreisträger IBM Research Division Forschungslaboratorium Zürich Prof. Dr. rer. nat. Dr. h. c. Manfred Eigen Nobelpreisträger, Max-Planck-Institut für Biophysikalische Chemie, Göttingen Prof. Dr. Gerhard Ertl Nobelpreisträger Fritz-Haber-Institut der Max-Planck-Gesellschaft, Berlin

44

Autor: Christoph Janetzki

Plants can defend themselves

Junge Wissenschaft veröffentlicht Originalbeiträge junger Autoren bis zum Alter von 23 Jahren mit anspruchsvollen Themen aus allen Bereichen der Naturwissenschaften und Technik.

Herausgeber: Prof. Dr. Manfred Euler Dr. Dr. Jens Simon Dr.-Ing. Sabine Walter

Autorinnen: Marie Sprengell, Friederike Kantzenbach, Sandra Albrechtsen

Mehr Informationen beim Barcode-Scannen

5 Junge Wissenschaft – Jugend forscht in Natur und Technik

Autor: Fabian Hauf

Zahlen in Bewegung

Inhalt

Prof. Dr. Ernst O. Göbel Präsident der PhysikalischTechnischen Bundesanstalt, Braunschweig und Berlin Dr. Uwe Groth VDI Projektleitung „Jugend entdeckt Technik“, Hemmingen Prof. Dr. Elke Hartmann Universität Halle VDI Bereichsvorstand „Technik und Bildung“

50

Dr. Sven Baszio Geschäftsführer der Stiftung Jugend forscht e. V., Hamburg Prof. Dr. Bernd Ralle Schriftführer der Zeitschrift MNU, Fachbereich Chemie, Universität Dortmund Wolfgang Scheunemann Geschäftsführer der dokeo GmbH, Stuttgart

Young Researcher

Robby Car

Jugend forscht

Junge Wissenschaft 99 // 2013

18

Niklas Demel, *1994 Schule: Gymnasium Verl, Verl Eingang der Arbeit: Juni 2012 Zur Veröffentlichung angenommen: Oktober 2012

Robby Car Wie mein Bobby Car das Selbstfahren lernte Mit Elektroantrieb, steuerbarer Servolenkung und Computer ausgerüstet, wird das klassische Kinderauto zum autonomen E-Fahrzeug. Während der Fahrt nimmt der Computer über eine Webcam Bilder der Straße auf und bestimmt aus diesen den Straßenverlauf. Ein Software Regelalgorithmus errechnet daraus die Steuersignale für die Lenkung, um das Fahrzeug auf Spur zu halten. Parallel hierzu arbeitet eine Verkehrsschilderkennung. 1 Einleitung

Diese Arbeit beschäftigt sich mit der Entwicklung eines elektrisch angetriebenen, sich auf einer Straße selbst steuernden Bobby Cars. Angeregt wurde diese Arbeit durch aktuelle Forschungen von Universitäten und jüngste Produkte der Automobilindustrie. So präsentierte die TU Braunschweig auf der Hannover Messe 2011 den Passat Leonie [1], der autonom ohne Eingriffe des Fahrers durch die Stadt fahren kann. Zudem beschäftigen sich derzeit alle Automobilhersteller mit Elektroantrieben und rüsten ihre Autos immer mehr mit Fahrerassistenzsystemen aus. Ein Beispiel hierfür sind Spurhaltesysteme [2], die den Fahrer informieren, sobald dieser unbeabsichtigt über eine Markierungslinie der Straße fährt. Daraus entstand die Idee, ein Fahrzeug zu entwickeln, das elektrogetrieben und über eine Kamera den Straßenverlauf erkennend, eine Straße autonom befahren kann. Als Fahrzeug wurde ein handelsübliches Bobby Car ausgewählt, das zusätzlich mit einem Elektroantrieb, einer steuerbaren Servolenkung, einer Webcam und einem Computer ausgerüstet wurde. Zur autonomen Steuerung des Fahrzeugs wurde ein auf dem mitfahrenden Computer ablaufendes Pro-

gramm entwickelt. Mit der vorne auf dem Bobby Car montierten Webcam werden vom Computer in einer kontinuierlich ablaufenden Programmschleife beim Fahren Bilder der Straße aufgenommen, aus denen mit einem selbst erstellten Bildanalyseprogramm die Straße und ihr Verlauf ermittelt werden. Aus dem erkannten Verlauf der Straße im einzelnen Bild wird berechnet, wie die Lenkung über einen Servomotor bewegt werden muss, um das Bobby Car entlang der Straße zu steuern. Außerdem wurde eine Verkehrsschilderkennung als wesentlicher Bestandteil des autonomen Fahrens am Beispiel eines Stoppschildes implementiert. 2 Das Robby Car und seine Komponenten

Ursprünglich sollte für diese Arbeit das klassische rote Bobby Car genutzt werden. Da jedoch die Menge der mechanischen und elektrischen Teile ein größeres Chassis erforderte, wurde anstelle des klassischen Bobby Cars ein Mercedes SLK Bobby Benz verwendet (siehe Abb. 1). Da dieses Bobby Car wie ein Roboter autonom fahren wird, wird es später als Robby Car bezeichnet. 2.1 Der mechanische Aufbau des Robby Car

Zur Umrüstung auf den elektrischen Fahrbetrieb und die Automatisierung der Lenkung wurde das Kunststoff Chassis des Bobby

Jugend forscht

a

Die blaue Linie in Abb. 3 (s. Seite 20) zeigt die Beziehung zwischen dem Drehmoment auf der Hinterachse und der maximal erreichbaren Geschwindigkeit. Diese Beziehung ergibt sich in Abhängigkeit von verschiedenen Übersetzungen aus dem Motordrehmoment von 191 Ncm, der Motordrehzahl von 2500 Umdrehungen/min und dem gegebenen Raddurchmesser von 15 cm. Um etwas Puffer gegenüber dem zum Anfahren notwendigen Drehmoment von 200 Ncm zu haben, wurde eine Übersetzung zwischen Motor und Hinterachse von 24:44 gewählt, aus der ein Drehmoment von 350 Ncm auf der Hinterachse und eine Geschwindigkeit von 38 km/h resultiert.

b

c

d

Abb. 1: Chassis und mechanischer Aufbau der Bodenplatte

Nach demselben Prinzip wurde das Drehmoment für die Lenkachse bestimmt, das für die Lenkung des Robby Cars ohne Fahrer im Stand, aber auch bei langsamer Fahrt mit 1 km/h 250 Drehmoment auf der Hinterachse (Ncm)

Die Übersetzung zwischen Motor und Hinterachse sollte so optimiert werden, dass im Fahrbetrieb mit einem Fahrer eine möglichst hohe Geschwindigkeit erzielt wird. Dazu wäre eine möglichst hohe Übersetzung wünschenswert, die aber das Drehmoment auf der Hinterachse soweit reduzieren kann, dass das Robby Car nicht mehr problemlos anfährt. Also musste das minimale Drehmoment ermittelt werden, das bei einer Belastung durch das Gewicht des Robby Cars und eines Fahrers gegen die Reibung der Räder und des Antriebs zum Anfahren notwendig ist. Zur Messung wurde an der Hinterachse des Robby Cars ein langer Hebel angebracht, mit dem über einen Kraftmesser in verschiedenen Abständen von der Achse ein Drehmoment erzeugt wurde. Die Drehmomente im Moment des Anrollens wurden für drei verschieden schwere Fahrer und das Robby Car ohne Fahrer bestimmt (Abb. 2). Daraus ist ein Drehmoment von etwa 200 Ncm für einen Fahrer von 80 kg auf dem 17,5 kg schweren Robby Car ablesbar.

200 Minimales Drehmoment für Fahrer mit 80kg: ca. 200Ncm 150 100 50 0

0

20 40 60 80 Gewicht von Fahrer und Robby Car (kg)

100

120

Abb. 2: Messung des Anfahrdrehmoments in Abhängigkeit der Belastung

19 Young Researcher

Car unten ausgeschnitten und dafür eine neue Bodenplatte mit angetriebener Hinterachse und Lenkung der Vorderachse eingebaut (siehe Abb. 1). Die Lenkung der Achsschenkel wurde als Trapezlenkung ausgelegt, wobei die Achsschenkellagerungen leicht nach hinten fallend angeschrägt wurden, damit im Fahrbetrieb bei einer Kurvenlenkung die Räder durch eine rückstellende Kraft in die Geradeausstellung zurückgezogen werden. Die Lenkachse wird über einen Servomotor mit einem Drehmoment von 294 Ncm bewegt. Zum Antrieb wird ein Elektromotor mit einer Leistung von 500 W und einem Drehmoment von 191 Ncm verwendet, der über einen Zahnriemen und zwei Ritzel die Hinterachse antreibt.

Jugend forscht notwendig ist. Hierbei ergaben sich 230 Ncm. Trotzdem wurde vorsichtshalber ein Servomotor mit 294 Ncm in das Robby Car eingebaut, der mit einer Übersetzung von 18:24 ein Drehmoment von 392 Ncm auf die Lenkstange überträgt. Drehmoment auf der Hinterachse (Ncm)

Junge Wissenschaft 99 // 2013

20

700 600 500

Gewählte Übersetzung 24:44 mit ausreichend Drehmoment Puffer

400 Drehmoment: 350Ncm

300 200

Minimales Drehmoment für Fahrer mit 80kg: ca. 200Ncm

100 0

0

10

20 30 Geschwindigkeit (km/h)

Geschwindigkeit: 38km/h 40

50

60

Abb. 3: Beziehung zwischen Drehmoment und Geschwindigkeit

2.2 Der elektronische Aufbau des Robby Car

Der elektronische Aufbau des Robby Car sollte drei Anforderungen erfüllen: Erstens sollte das Robby Car weiterhin manuell von einem Fahrer gefahren werden können. Zweitens sollte es auf den autonomen Fahrbetrieb umgestellt werden können und drittens sollte die autonome Steuerung im Fall ihres Versagens aus Sicherheitsgründen per Fernsteuerung abgeschaltet werden

können. Das Blockschaltbild zeigt den Aufbau der Elektronik entsprechend der drei Anforderungen (s. Abb. 4). Um das Robby Car auch weiterhin manuell fahren zu können, erfolgt in diesem Fall die Lenkung wie gewohnt durch den Fahrer über das Lenkrad und die Steuerung des Motors über einen Motor Controller und einen am Lenkrad befestigten drehbaren Handgriff aus einem Elektroroller. Für den autonomen und ferngesteuerten Fahrbetrieb wurden ein Lenkservo und ein Motor Controller aus dem Schiffsmodellbau verwendet. Beide werden über einen speziellen USB Servo Controller vom Computer angesteuert. Die Sicherheitsanforderung, den autonomen Fahrbetrieb ferngesteuert unterbrechen zu können, wurde durch eine handelsübliche Modellbaufernsteuerung realisiert. Sie erlaubt per Knopfdruck nicht nur den autonomen Fahrbetrieb abzuschalten, sondern die Steuerung des Robby Cars komplett zu übernehmen. Im Robby Car ist deswegen ein Funkempfänger eingebaut, der von der Fernsteuerung die Steuersignale für den Motorcontroller und den Lenkservo empfängt. Der Funkempfänger schaltet bei einem entsprechenden Signal der Fernsteuerung über einen speziellen RC-Schalter mehrere Relais, die ihrerseits zwischen dem autonomen Fahrbetrieb und dem Fernsteuerbetrieb hin- und herschalten. Zur Sicherheit ist die Relaisschaltung so ausgelegt, dass das Robby Car gar nicht autonom losfahren kann, wenn die Fernsteuerung nicht eingeschaltet ist und der computergestützte Fahrbetrieb nicht aktiv freigeben wird.

Abb. 4: Blockschaltbild der Elektronik für manuellen, autonomen und ferngesteuerten Fahrbetrieb

Jugend forscht Die Software für die Straßenerkennung und zur Regelung der Lenkung des Robby Cars wurde in Java programmiert. Als Entwicklungsumgebung auf dem Computer wurde Eclipse [3] verwendet. Zusätzlich wurde die Phidgets Java Bibliothek [4] installiert, um den im Bobby Car verbauten USB Servo Controller aus dem Programm heraus ansteuern zu können. Das Hauptprogramm für die Steuerung des Robby Cars lässt sich in zwei Teile aufteilen. Der erste Teil führt eine Initialisierung der an den Computer angeschlossenen Hardware, also der Webcam und des Servo Controllers, durch. Dann folgt die Initialisierung der grafischen Darstellung der Bildanalyse, die auf dem Computerbildschirm live den erkannten Straßenverlauf anzeigt. Den zweiten Teil des Programms bildet die während der Fahrt ablaufende Hauptschleife für die Reglung des Robby Cars. In dieser wird je Durchlauf ein Einzelbild aus der Webcam ausgelesen, das dann durch die beiden im Folgenden beschriebenen Algorithmen auf den Straßenverlauf hin analysiert wird. Aus dem erkannten Straßenverlauf wird der Lenkwinkel errechnet, mit dem der Lenkservo angesteuert und das Robby Car auf der Straße gehalten wird. 3 Die Algorithmen zur Erkennung der Straße

Um den mitfahrenden Computer die Straße „sehen“ zu lassen, wurde eine Webcam in Fahrtrichtung vorne auf der Motorhaube des Robby Cars montiert. Das auf dem Computer ablaufende Java-Programm liest aus der Webcam über eine USBSchnittstelle einzelne Bilder ein, in denen der Verlauf der Straße analysiert wird. Die Güte der Erkennung des Straßenverlaufes hat entscheidenden Einfluss auf die Regelung der Lenkung. Während es für das menschliche Gehirn ein Leichtes ist, die dreidimensionale Außenwelt über ein auf der Netzhaut des Auges abgebildetes zweidimensionales Bild wahrzunehmen, erforderte der entsprechende Schritt in dieser Arbeit erheblichen Entwicklungs- und Programmieraufwand und war eines der größten Probleme, das es zu lösen galt. Zur Erkennung der Straße in einem zweidimensionalen Bild wurden in dieser Arbeit zwei Algorithmen entwickelt, die zwar auf ähnlichen Prinzipien beruhen, aber auf unterschiedliche Verhältnisse von Straße und Umgebung optimiert sind. Beide werden im laufenden Programm parallel zur Erkennung des Straßenverlaufs verwendet, um eine erhöhte Sicherheit für die nachfolgende Steuerung der Lenkung zu bieten. Beide Algorithmen beruhen auf der vereinfachten Annahme, dass das Robby Car bereits auf einer Straße steht und mit seiner Webcam in Fahrtrichtung auf diese Straße „blickt“. Demzufolge bildet die Webcam die Straße im unteren Bereich ihres Bildes ab. Wegen der Ausrichtung der Webcam und der perspektivischen Abbildung füllt die Straße den unteren Bereich des Bildes komplett aus. Die Analyse eines Bildes dauert umso länger, je feiner es aufgelöst ist, d.h. je mehr Bildpunkte von der Webcam verarbeitet werden müssen. Deshalb wird das ursprüngliche Bild der Webcam, das 320 x 240 Pixel umfasst, auf 160 x 120 Pixel verkleinert und damit die Bildanalyse um den Faktor vier beschleunigt. Eine komplette Regelschleife inklusive der Analyse

eines Bildes mit beiden Algorithmen dauert ca. 60 ms. Das ist ausreichend, um das Robby Car noch bei Geschwindigkeiten von 20 km/h zu lenken. Bei dieser Geschwindigkeit legt das Robby Car innerhalb einer Regelschleife ca. 25 cm zurück. 3.1 Erkennung der Straße mittels durchschnittlicher Farbwerte

Die Hauptannahme des ersten Algorithmus liegt darin, dass die Straße von nahezu einheitlicher Farbe ist. Weiterhin wird angenommen, dass die Ränder der Straße eine andere Farbe haben als die Straße selbst. Die Farbe der in Abb. 5.1 verwendeten Straße ist grau, während die angrenzenden Wiesen grün-gelb sind. Die Ränder der Straße ergeben sich also vereinfacht ausgedrückt durch den Übergang von grau nach grün-gelb. Um diesen Übergang mit dem Computer zu erkennen, muss das Analyseprogramm zuerst den Bestandteil des Bildes in Straßenfarbe extrahieren, um dann anschließend die Ränder zu ermitteln. Dazu wird das Webcam Bild in 9 Pixel hohe Streifen eingeteilt und streifenweise von unten nach oben analysiert, da man, wie oben beschrieben, insbesondere davon ausgehen kann, dass die Straße den unteren Bereich des Bildes komplett ausfüllt: 1. 2. 3. 4.

In dem untersten zu untersuchenden Streifen wird bildmittig ein Rechteck von 100 Pixel in x-Richtung und 9 Pixel in y-Richtung definiert (Abb. 5.1). Aus allen in diesem Rechteck liegenden Pixel wird ein Durchschnittsfarbwert der Straße errechnet. Im nächsten Schritt wird jedes Pixel in dem Streifen daraufhin überprüft, ob es in einem gewissen Toleranzbereich um den ermittelten Durchschnittsfarbwert liegt. Ist dies der Fall, wird dieses Pixel in einem Hilfsbild weiß markiert, andernfalls schwarz (Abb. 5.2). Um Fehler bei der Randerkennung zu vermeiden, wird im entstandenen Bildstreifen des Hilfsbildes aus den SchwarzWeiß-Werten das Rauschen beseitigt, indem Ausreißer durch Untersuchung der Nachbarpixel erkannt und entfernt werden (Abb. 5.3). In der mittleren Pixelzeile des Streifens des Hilfsbildes wird loslaufend von der Straßenmitte nach links und rechts der Farbsprung von weiß auf schwarz erkannt. Diese Sprünge indizieren die Randpunkte der Straße, aus denen anschließend die Straßenbreite und die Mitte der Straße für den Bildstreifen errechnet werden (Abb. 5.3).

1

2

3

4

Abb. 5: Bildanalyse mittels durchschnittlicher Farbwerte

21 Young Researcher

2.3 Die Software zur Straßenerkennung und zur Regelung der Lenkung

Jugend forscht

Junge Wissenschaft 99 // 2013

22

Für den nächsten Bildstreifen wird das beschriebene Rechteck zur Erkennung des Straßenfarbwertes um 9 Pixel im Bild nach oben geschoben. Da die Straße aufgrund der Perspektive im Bild nach oben schmaler verläuft, wird die neue Breite des Rechtecks als 66 % der Straßenbreite des vorherigen Bildstreifens definiert. Die Mitte des Rechtecks ergibt sich aus der errechneten Straßenmitte des vorherigen Streifens. Mit dieser Verschiebung des Rechteckes zur Erkennung des Straßenfarbwertes von Bildstreifen zu Bildstreifen wird sichergestellt, dass man einen gleitenden Durchschnittsfarbwert der Straße erhält, da Messungen der Farbwerte der Teststraße gezeigt haben, dass sich selbst bei hellstem Sonnenlicht die Farbwerte der Straße mit zunehmender Entfernung vom Robby Car verändern. Analog zum vorherigen Bildstreifen wird in dem neu zu analysierenden Bildstreifen der linke und rechte Straßenrandpunkt sowie die neue Mitte der Straße ermittelt. Basierend auf der bereits erwähnten Beobachtung, dass die Straße im Bild nach oben schmaler wird, läuft die Analyse in Bildstreifen solange weiter, bis die ermittelte Straßenbreite weniger als 25 % der ursprünglichen Breite des Bildes beträgt. Aus den erkannten Straßenmittelpunkten der einzelnen Bildstreifen kann der Straßenverlauf numerisch mit einer Geraden oder einem Polynom höherer Ordnung approximiert werden (Abb. 5.4, S. 21).

1

3

2

erkennung in der die Bildverarbeitung DerPixelzeile Sobel-Operator [6,7] bildet numerisch erste Ableitung[5] dereingesetzt Farbwertewird. in einer nach. Sei F(i,istj) ein der Gradienten-Operator, darauf beruht, Farbwerte an einer Kante Er Farbwert in dem Bildderder Webcam fürdass ein sich Pixeldiemit den Koordinaten (i,j), verändern. also mit dem bildet numerisch die erste Ableitung der Farbwerte in einer Pixelzeile nach. Sei F(i, j) der Laufindex i in x-Richtung mit 0≤i160 und dem Laufindex j in y-Richtung mit 0≤j120, dann Farbwert Bild der fürinein Pixel mitinden ist Fx(i, j)indiedem Ableitung desWebcam Farbwertes x-Richtung demKoordinaten Pixel (i,j): (i,j), also mit dem Laufindex i in x-Richtung mit 0≤i160 und dem Laufindex j in y-Richtung mit 0≤j120, dann ist Fx(i, j) die Ableitung des Farbwertes inx-Richtung in dem Pixel (i,j): 1 F(i 1, j)    F(i 1, j)  F(i 1, j)  Fx(i, j)   0,5 1 0 F(iF(i, 1,j)j) (i 1)  (i 1)    F(i 1, j)  F(i 1, j)  F(i 1    Erweitert man dieselbe Gradientenberechnung auf die Nachj) j) F  0,5 0  F(i,1, x(i, j)  (i 1)  (i 1)     1,die j)Nachbarzeilen barzeilen und Gradientenberechnung j+1, erhält1man Ergebnis den j-1 auch  F(ials Erweitert manj-1 dieselbe auf und durch j+1, erhält man als Ergebnis den auch durch die Nachbarpixel bestimmten Gradientenwert im(i,j): Pixel (i,j): die Nachbarpixel bestimmten Gradientenwert im Pixel Erweitert man dieselbe Gradientenberechnung auf die Nachbarzeilen j-1 und j+1, erhält man als Ergebnis den auch durch die Nachbarpixel bestimmten Gradientenwert im Pixel (i,j): 1 F(i 1, j 1) 1 F(i 1, j) 1 F(i 1, j 1)             F˜x(i, j)  0,5 1 0 F(iF(i, j 1)  0,5  0  F(i, j)  0,5  0 F(iF(i,            1 1, j 1) 1 F(i 1, j) 1,j j1) 1)                   j 1) 0,5  01  F(i 1, j) 1  F(i 1, j 1) F˜x(i, j)  0,5 01 F(i F(i,1, j 1)     F(i, j)  0,5 0  F(i, j 1)              1  F(i 1, j 1) 1  F(i 1, j) 1  F(i 1, j 1) Diese Formel kann man als Faltung zweier Matrizen mit  als Faltungsoperator Diese Formel kann man als Faltung zweier Matrizen mit ⊗schreiben: als Diese Formel kann man als Faltung zweier Matrizen mit  als Faltungsoperator schreiben: Faltungsoperator schreiben: 1 0 1 F(i 1, j 1) F(i 1, j) F(i 1, j 1)     ˆ ˆ F(i, F˜x(i, j)  k *1 1 00 11F(iF(i, 1,j j1) 1) F(iF(i, 1,j)j) F(i 1,j j1) 1) k  Px  F(i, j)    1 0 1 F(i 1, j 1) F(i 1, j) F(i 1, j 1)  ˆ ˆ ˜ Fx(i, j)  k * 1 0 1  F(i, j 1) F(i, j) F(i, j 1)  k  Px  F(i, j)     F(i 1, F(iim 1,Folgenden j 1) 0 1 F(i 1, j 1)0,5, 1Proportionalitätsfaktor Darin ist k der der j) aber keine Rolle spielt. Die mit ˆ Nullen und Einsen besetzte Matrix Px ist der sog. Prewiit-Filter, der auf Farbwertänderungen Darin ist k der Proportionalitätsfaktor 0,5, der aber im Folgenden keine Rolle spielt. Die mit Nullen Matrix Pˆx ist der sog. Prewiit-Filter, der aufim Farbwertänderungen DarinundistEinsen k derbesetzte Proportionalitätsfaktor 0,5, der aber FolgenJugend forscht

Robby Car - Niklas Demel

Seite 6 / 14

den keine Rolle spielt. Die mit Nullen und Einsen besetzte MaRobby Car - Niklas Demel Seite 6 / 14 trix ˆ P ist der sog. Prewiit-Filter, der auf Farbwertänderungen in x-Richtung reagiert undˆF (i,j) ist die Matrix der Farbwerte der Nachbarn um das betrachtete Pixel (i,j) herum. Gewichtet man die Werte der Zeile, die gerade auf Änderungen der Farbwerte analysiert wird, F(i, mit dem Faktor 2,F(i, erhält man den sog. j) ist die in x-Richtung reagiert und ˆ j) reagiert ist die Matrix der Nachbarn um das in x-Richtung und derˆ Farbwerte Matrix der Farbwerte Sobel-Operator Sherum. , derGewichtet ebenfalls sensitiv in x-Richtung ist. Der betrachtete Pixel betrachtete (i,j)ˆ man die Werte der Zeile, die gerade auf Änderungen x Pixel (i,j) herum. Gewichtet man die Werte der Zeile, di der Farbwerte analysiert mit dem Faktor 2, erhältSobel-Operator man den sog. Sobel-Operator auf Änderungen inwird, y-Richtung sensitive ˆS lässt Sˆ x , der den sog der Farbwerte analysiert wird, mit dem Faktor 2,y erhält man ebenfalls sensitiv in x-Richtung ist. Der auf Änderungen in y-Richtung sensitive Sobelsich analog bestimmen: ebenfalls sensitiv in x-Richtung ist. Der auf Änderungen in y-R ˆ

Jugend forscht x

Operator S y lässt sich analog bestimmen:

Operator Sˆ y lässt sich analog bestimmen:

ˆ 2j) ist 1 0 1reagiert und 1F(i, in x-Richtung 1die Matrix der Farbwerte der Nachbarn um das  (i,j) herum.  die Werte der Zeile, die gerade auf Änderungen  Pixel man ˆ  0Gewichtet  2 0 2 0 Sˆbetrachtete S x y1 0 1 0  1 2 1     mit dem Faktor  der Farbwerte analysiert wird, 2, erhält man den sog. Sobel-Operator Sˆ x , der   1 2  1   1 0 1  ˆ ebenfalls sensitivSˆxin x-Richtung ist. Der auf Änderungen sensitive Sobel0  Sy  0 0 in y-Richtung 2 0 2 ˆ S y lässt Operator analog bestimmen:   Perspektive   im Bild verlaufen, Da die Kanten der sich Straße bei gegebener der Webcam diagonal

1 0 1 2 1  (Abb. 1 gefaltet, wird die das Webcam 6.1) mit Operatoren also in x- und y-Richtung Da KantenBild der Straße beibeiden gegebener Perspektive der WebAus den erkannten Straßenmittelpunkten der einzelnen kann der Straßenverlauf 1 0Bildstreifen 1 2  untersucht. Die ergebenden Ableitungen in x- und y-Richtung 1 sich daraus 1 cam diagonal Bild das Webcam Bild (Abb.  im  verlaufen, ˆ wird die bei gegebener Perspektive der Webcam dia numerisch mit einer Geraden oder einem Polynom Ordnung approximiert werden F˜y '(i,0 j) 0der Sˆ y 0Straße F(i, j) ergeben undSˆ yKanten einen Gradientenvektor. F˜Sˆx x'(i, höherer Sˆ x0 F(i, j)  j) 2ˆ Da 2   6.1) mit beiden gefaltet, also 6.1) in x-mit und y-Richtung   wirdOperatoren  (Abb. das Webcam Bild beiden Operatoren gefaltet, a (Abb. 5.4). 1 0 1 1 2 1  ˜ j) für Als Betrag des Die Gradientenvektors wird ein Grauwert jedes Pixel des Bildes G(i, untersucht. Die sich daraus ergebenden Ableitungen in untersucht. sich daraus ergebenden Ableitungen in x-(i,j) und berechnet, der der von der Stärke der ˆFarbwertänderungen in beiden Dimensionen x und y ˆ ˆ ˆ ˜ ˜ Da die Kanten Straße bei gegebener Perspektive der Webcam diagonal im Bild verlaufen, und ergeben einen Gradie F '(i, j)  S  F(i, j) y-Richtung ergeFx '(i, j)  Sx  F(i, j) 3.2. Erkennung der Straße durch Kantenerkennung y y abhängt.

4

wird das Webcam Bild (Abb. 6.1) mit beiden Operatoren gefaltet, also in x- und y-Richtung Ableitungen in x- und y-Richtung 2 ˜ j) ˜F˜ '(i, ˆ  F(i, ˆ j) ergeben einenwird j)ˆAls j)F˜yBetrag '(i, j)F˜2y '(i,des G(i, j) j)   FS˜ˆxx'(i, ein Grauwert G(i, j)  SGradientenvektors und Gradientenvektor.  F(i, y x

ben einen Gradientenvektor. untersucht. Die sich daraus ergebenden

für jed berechnet, der von der Stärke der Farbwertänderungen in beiden Als Betrag des Gradientenvektors wird ein˜ Grauwert ˜ G (i,j) für Als entsteht ein Bild derwird Grauwerte aller Pixel, als des Konturen Als Resultat Betrag des Gradientenvektors ein Grauwert für die jedesKanten Pixel (i,j) Bildes G(i, j) das abhängt. jedes Pixel (i,j) des Bildes berechnet, der von der Stärke der

hervorhebt. Durch Vergleich der Grauwerte mit ineinem dasy berechnet, der von den der Stärke der Farbwertänderungen beidenSchwellwert Dimensionenwird x und Grauwertbild in ein Bild von Schwarz-Weiß-Werten überführt, in dem man nur noch die abhängt. Farbwertänderungen in beiden Dimensionen x und y abhängt. 2 2 Aus den erkannten Straßenmittelpunkten der einzelnen Bildstreifen kann der Straßenverlauf ˜6.2).j)  F˜x '(i, j)  F˜y '(i, j) Kanten sieht (Abb. G(i, numerisch mit einer Geraden oder einem Polynom höherer Ordnung approximiert werden ˜ j)  F˜x '(i, j)2  F˜y '(i, j) 2 G(i, (Abb. 5.4). In Abb. 6.2 erkennt man auch, dass die Straße aufgrund der gleichen Farbwerte in Schwarz dargestellt wird und weißen Kanten ist. Deshalb werden nun aller in der Pixel, ersten das d Als von Resultat entstehtumrandet ein Bild der Grauwerte Als entsteht ein Bild der Grauwerte aller daslinks Als Resultat Resultat entsteht ein Bild der aller Pixel,diedas die Pixel, Kanten als Konturen 3.2. Erkennung Straße durch Kantenerkennung Abb. 6: Bildanalyseder durch Kantenerkennung Pixelzeile am unteren Bildrand von derGrauwerte Bildmitte ausgehend Straßenrandpunkte und einem hervorhebt. Durch den Vergleich der Grauwerte mit hervorhebt. Durch den Vergleich der Grauwerte einem Daraus Schwellwert wird das rechts als Umschlagspunkte vonhervorhebt. schwarz nach Durch weiß mit ermittelt. ergibt sich der die Kanten als Konturen den Vergleich der Grauwertbild in ein Bild von Schwarz-Weiß-Werten überführt, in Grauwertbildderin Straße ein Bildinvon Schwarz-Weiß-Werten in demfürman nochder die Mittelpunkt dieser Zeile (Abb. 6.3). überführt, Als Startpunkt dienur Suche 3.2 Erkennung der Straße durch Kantenerkennung mit einem wird das Grauwertbild Kanten sieht in (Abb. 6.2). Kanten siehtSchwellwert (Abb. 6.2). Abb. 6: Bildanalyse durch Kantenerkennung Grauwerte Randpunkte der nächsten Pixelzeile wird der Mittelpunkt der vorherigen in Pixelzeile übernommen. Dieser Vorgang wird solange wiederholt, bis die der Straße, also der Der zweite Algorithmus benutzt im Wesentlichen den So- ein Bild6.2von Schwarz-Weiß-Werten überführt, in Breite demFarbwerte man nur In Abb. der erkennt manRandpunkte, auch, dass die Straße der gleichen in Schwarz Abstand gefundenen kleiner alsaufgrund 25% derdass Breite desStraße Bildes ist. Analog zum In Abb. 6.2 erkennt man auch, die aufgrund der gleiche Der zweite Algorithmus benutzt im Wesentlichen den Sobel-Operator, der häufig zur Kantenbel-Operator, der häufig zur Kantenerkennung in der Bild- noch die Kanten sieht (Abb. 6.2). dargestellt wird und von umrandet ist. Deshalbmithilfe werden der nun inerrechneten der ersten ersten Algorithmus kannweißen man Kanten nun den Straßenverlauf dargestellt wird und von weißen Kanten umrandet ist. w erkennung in der Bildverarbeitung [5] eingesetzt wird. Der Sobel-Operator [6,7] ist ein Pixelzeile am unteren Bildrand von der Bildmitte ausgehend die Straßenrandpunkte linksDeshalb und Straßenmittelpunkte durch eine Gerade oder ein Polynom höherer Ordnung approximieren verarbeitung [5] eingesetzt wird. Der Sobel-Operator [6,7] rechts als Umschlagspunkte von schwarz nach weiß ermittelt. Daraus ergibt sich derdie Stra Pixelzeile am unteren Bildrand von der Bildmitte ausgehend (Abb. 6.4). Gradienten-Operator, der darauf beruht, dass sich die Farbwerte an einer Kante verändern. Er ist ein Gradienten-Operator, der darauf dass sichder dieFarbwerte InMittelpunkt Abb. erkennt auch, die Straße aufgrund derrechts Straße als in man dieser Zeile (Abb. Als schwarz Startpunkt für dieder Suche ermittelt. der Umschlagspunkte von nach weiß bildet numerisch dieberuht, erste Ableitung in 6.2 einer Pixelzeile nach. Seidass F(i, 6.3). j) der Randpunkte in der nächsten Pixelzeile wird der Mittelpunkt der vorherigen Pixelzeile Farbwerte an einer Kante verändern. bildet gleichen Farbwerte in Schwarz dargestellt wird und von weiMittelpunkt der Straße in dieser Zeile (Abb. 6.3). Als Startpu Farbwert in demErBild der numerisch Webcam fürdie ein Pixel mit den Koordinaten (i,j), also mit dem übernommen. Dieser Vorgang wird solange wiederholt, bis die Breite der Straße, also der 3.3. Erkennung einer echten Straße mit werden beiden Algorithmen inmit der nächsten Pixelzeile derAnalog Mittelpunkt d erste6: Bildanalyse Ableitung derKantenerkennung Farbwerte Pixelzeile nach. und Sei dem ßen Kanten umrandet ist. Deshalb nun des in wird der ersten Abb. durch Abstand der gefundenen Randpunkte, kleiner als 25% der Breite Bildes ist. zum Laufindex in i in einer x-Richtung mit 0≤i160 Laufindex jRandpunkte in y-Richtung 0≤j120, dann ersten Algorithmus kann manDieser nun den Straßenverlauf mithilfewiederholt, der errechneten übernommen. Vorgang wird solange bis die Br ist die Ableitung des Farbwertes in x-Richtung in dem Pixel (i,j): F(i,j) der Farbwert in dem am der unteren Bildrand von Fx(i,Bild j) der Webcam für ein Pixel Pixelzeile Die ersten Tests Bildanalyseprogramme auf der einer Bildmitte echten Straßeausgehend zeigten deutlich die Der zweite Algorithmus benutzt im Wesentlichen den Sobel-Operator, der häufig zur KantenStraßenmittelpunkte durch der eine gefundenen Gerade oder ein Polynom höherer Ordnung approximieren Randpunkte, kleiner als 25% Breite de Schwierigkeiten Abstand der Algorithmen mit verschiedenen Lichtverhältnissen oderdermit mit deninKoordinaten (i,j),[5]also mit wird. demDer Laufindex i in[6,7] x- ist die Straßenrandpunkte links und rechts als Umschlagspunkte erkennung der Bildverarbeitung eingesetzt Sobel-Operator ein (Abb. 6.4). wechselndem Straßenbelag. Diese Erkennungsprobleme konnten jedoch durch manuelle ersten Algorithmus kann man nun den Straßenverlauf mi Gradienten-Operator, der darauf beruht, die Farbwertejanineiner Kante verändern. Er1,schwarz j) dernach 1 F(i Richtung mit 0≤i