diff --git a/.vscode/ltex.hiddenFalsePositives.de-DE.txt b/.vscode/ltex.hiddenFalsePositives.de-DE.txt index ef999d12779af78084f0a27870027ba072a03204..35a1f30b4c6d2151c37cbfc4ba5b4640da9625d2 100644 --- a/.vscode/ltex.hiddenFalsePositives.de-DE.txt +++ b/.vscode/ltex.hiddenFalsePositives.de-DE.txt @@ -79,3 +79,7 @@ {"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QJan Wille 1535115 Bachelorarbeit [Video-basierte Erkennung von Fahrspurmarkierungen auf mobilen Robotern]Video-basierte Erkennung von Fahrspurmarkierungen auf mobilen Robotern 12.09.2022 Prof. Dr.-Ing. Hanno Homann Prof. Dr.-Ing. Martin Mutz\\E$"} {"rule":"GERMAN_SPELLER_RULE","sentence":"^\\Q[r] LaneDetector:driverAssistanceSystems\\E$"} {"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QAußerdem wird eine Grauwert-Version erzeugt und diese als /img/gray veröffentlicht, was hier aber nicht gezeigt ist.\\E$"} +{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDazu wird das ROS Robot Operating System genutzt und die einzelnen Programmteile als ROS-Dummies angelegt.\\E$"} +{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDie ermittelten Informationen können bei Bedarf an andere Dummies weiter gegeben werden.\\E$"} +{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDes Weiteren wird versucht, die Performance durch eine eigene Umsetzung des Dummies weiter zu verbessern.\\E$"} +{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDadurch kann das Kamerabild zwischen den Dummies als ROS Message ROS-Message ausgetauscht werden.\\E$"} diff --git a/Bachelorarbeit.pdf b/Bachelorarbeit.pdf index d0cc3b20272279f48d078e588db33bf94c1369ee..477163391ca2fecda20afe66f67daa8b500882e9 100644 Binary files a/Bachelorarbeit.pdf and b/Bachelorarbeit.pdf differ diff --git a/chap/abstract.tex b/chap/abstract.tex index 6b03053f3f3ca3dbe09ebb8b49dcf755ee5475b2..00761a9dba1b05d553a70ad32a4984d99bb3d184 100644 --- a/chap/abstract.tex +++ b/chap/abstract.tex @@ -1,3 +1,22 @@ \begin{abstract} - \todo[inline]{kommt als letztes} + Im Rahmen dieser Bachelorarbeit erfolgt die Implementierung eines Algorithmus zur automatischen Erkennung von Fahrspurmarkierungen. Dieser wird + auf einem \gls{JetBot} Roboter eingesetzt und analysiert den Livebild-Datenstrom der darauf installierten Kamera. + + Dazu wird das \glslink{ROS}{\emph{Robot Operating System}} genutzt und die einzelnen Programmteile als \glslink{ROS Node}{ROS-Node} angelegt. Dadurch kann + das Kamerabild zwischen den \glspl{ROS Node} als \glslink{ROS Message}{ROS-Message} ausgetauscht werden. + + Da das Kamerabild radiale und tangentiale Verzerrungen aufweist, wird eine intrinsische Kamera-Kalibrierung durchgeführt. Die ermittelten + Kalibrierung-Ergebnisse werden in einer \gls{ROS Node} angewendet jedes Bild zu entzerren. + + % Zusätzlich werden die extrinsischen Kalibrierdaten des Roboters bemessen und dokumentiert. Mit diesen können Rückschlüsse über die + % \gls{Welt-coords} aus den \gls{Bild-coords} einer gefundenen Fahrspurmarkierung gezogen Werden. + + Auf den korrigierten Bilder wird die eigentliche Erkennung durchgeführt. Der Algorithmus dafür wird in \gls{python} entwickelt und erprobt. Zur + Optimierung der Performance wird die \gls{ROS Node} in \gls{C++} implementiert. + + Des Weiteren wird versucht, die Performance durch eine eigene Umsetzung des \glspl{canny} weiter zu verbessern. Dies führt aber zu einer + Verschlechterung und wird daher verworfen. + + Die erstellten Programme erreichen die notwendige Performance und können in Echtzeit auf dem Bilddatenstrom arbeiten. Die ermittelten + Informationen können bei Bedarf an andere \glspl{ROS Node} weiter gegeben werden. \end{abstract}