diff --git a/Bachelorarbeit.pdf b/Bachelorarbeit.pdf
index c9097257d30ac5cd33225133bfc701967866ca77..642a973c1bcac8a0397b23369b32b8316ee364d8 100644
Binary files a/Bachelorarbeit.pdf and b/Bachelorarbeit.pdf differ
diff --git a/Bachelorarbeit.tex b/Bachelorarbeit.tex
index 1dedc794e47aad14e2878f64514c5a6778ceadd7..baaf6733a6fb0dd2b465e8904d2c10239448ecbc 100644
--- a/Bachelorarbeit.tex
+++ b/Bachelorarbeit.tex
@@ -27,6 +27,7 @@
 	chap/standdertechnik,
 	chap/kalibrierung,
 	chap/implementation,
+	chap/fazit,
 	chap/ausblick,
 }
 
@@ -62,6 +63,8 @@
 
 	\include{chap/implementation}
 
+	\include{chap/fazit}
+
 	\include{chap/ausblick}
 
 	\printbibliography
diff --git a/chap/fazit.tex b/chap/fazit.tex
new file mode 100644
index 0000000000000000000000000000000000000000..4179e97ceaa469f9da8be8145dca4b807c099e84
--- /dev/null
+++ b/chap/fazit.tex
@@ -0,0 +1,23 @@
+\chapter{Fazit} \label{chap: fazit}
+
+	Die Arbeit hatte zum Ziel, die auf dem JetBot existierende Bilderfassung zu verbessern und mit einer Erkennung von Fahrspurmarkierungen in
+	Echtzeit auszustatten.
+
+	Durch eine intrinsische Kalibrierung der Kamera und das Erstellen einer \gls{ROS Node}, welche diese Kalibrierung anwendet, konnte das von der
+	Kamera erhaltene Bild deutlich verbessert und vorhanden Verzerrungen korrigiert werden. Insbesondere die radiale Verzerrung, die gerade Linien wie
+	zum Beispiel Fahrspurmarkierungen im Bild gekrümmt erscheinen lässt, konnte annähern vollständig entfernt werden. Dies verbesserte die
+	Voraussetzungen für die nachfolgenden Schritte.
+
+	Außerdem wurde die Erkennung der Fahrspurmarkierungen erfolgreich implementiert. Der Algorithmus wurde in der Programmiersprache \gls{python}
+	entwickelte und getestet, wobei insbesondere die einfache Syntax und gute Debuggmöglichkeiten das Vorgehen vereinfacht haben. Da \gls{python} aber
+	nicht performant genug war, um die Echtzeitanforderung zu erfüllen, wurde die eigentliche Implementierung in \gls{C++} umgesetzt.
+	Dadurch wurde die Laufzeit des Programms deutlich beschleunigt und die Echtzeitfähigkeit gewährleistet.
+
+	Die Erkennung von Fahrspurmarkierungen wurde mittels Kantenerkennung durch einen \gls{canny} und Klassifizierung der einzelnen Kantenpixel
+	entsprechend ihrer Orientierung umgesetzt. So ließen sich aus den Kanten erfolgreich zusammenhängende Linien einer Orientierung ableiten und deren
+	Start- und Endpunkte abspeichern. Durch Paarbildung zwischen rechten und linken Linien konnten dann Rückschlüsse über einzelne
+	Fahrspurmarkierungen gezogen werden. Die vier Punkte eines Linienpaares konnten dann als Kontur abgespeichert und die Mittellinie berechnet
+	werden.
+
+	Zur Veranschaulichung wurden die Konturen in ein leeres Bild eingezeichnet und dieses Ebenfalls veröffentlicht. Dadruch ist ein direkter Vergleich
+	zwischen Originalbild und gefunden Konturen in Echtzeit möglich.