„nach(haltig)geforscht“ – das war das Motto der 13. Bonner Wissenschaftsnacht. Wie vielfältig die Nachhaltigkeitsforschung sein kann, zeigten Akteure der Region in der Bonner Innenstadt, darunter die Universität Bonn, Hochschulen, Forschungsinstitutionen und wissenschaftliche Einrichtungen. Sie kamen aus den unterschiedlichsten Fächern zusammen und präsentierten ihre Forschungsprojekte.

Der Minister für Wirtschaft, Innovation, Digitalisierung und Energie des Landes Nordrhein-Westfalen, Prof. Dr. Andreas Pinkwart, hat das Exzellenzcluster „PhenoRob - Robotik und Phänotypisierung für Nachhaltige Nutzpflanzenproduktion“ der Universität Bonn besucht. Auf der Lehr- und Forschungsstation Klein-Altendorf informierte sich der Minister über das einzige agrarwissenschaftliche Exzellenzcluster in Deutschland, das in Richtung einer produktiveren, ressourcen-effizienteren und nachhaltigeren Nutzpflanzenproduktion forscht.

Most autonomous cars use 3D laser scanners, so-called LiDARs, to perceive the 3D world around them. A LiDAR generates local 3D point clouds of the scene around the car. A typical LiDAR sensor generates around 10 of such point clouds per second. These 3D point clouds are widely used for numerous robotics and autonomous driving tasks, like localization, object detection, obstacle avoidance, mapping, scene interpretation, and trajectory prediction.

Passend zum Start des Bonner Kirschblütenfests haben Geodäten der Universität Bonn sich Social Media zunutze gemacht, um zu visualisieren, wo sich die Blütenpracht in Bonn überall versteckt.

The ability to build consistent maps of the environment and use them during navigation is key for robots, self-driving cars, and other autonomous systems. Robots and cars need maps to localize themselves, plan efficient and collision-free trajectories, and perform numerous other tasks. Thus, maps are a central building block in any mapping or navigation stack.

A major problem in the precise orbit determination (POD) of satellites at altitudes below 1,000 km is the modelling of atmospheric drag, which depends mainly on thermospheric density and causes the largest non-gravitational acceleration. Normally, thermospheric densities at satellite positions are determined by empirical models, which have limited accuracy. But conversely, satellites orbiting the Earth within the thermosphere can be used to derive thermospheric density information because of their sensitivity to perturbing accelerations.

Im Verbundprojekt MapInWild werden Deep Learning-Methoden zur Kartierung von Wildnisgebieten mittels Satellitenbilddaten entwickelt. Veränderungen auf der Erde können heute nahezu in Echtzeit beobachtet werden, denn viele Satelliten im Weltall sind mit Kameras und Sensoren genau dafür ausgestattet. Sei es der Rückgang von Gletschern, ein Ölteppich auf dem Meer, ein aufziehender Wirbelsturm, oder wie erst kürzlich vor der Küste Tongas, der Ausbruch eines (Unterwasser-) Vulkans – die Erde wandelt ihre Gestalt und Satelliten schauen dabei zu.

The ability to build consistent maps of the environment and distinguish between moving and non-moving parts of the world is a key capability for mobile robots and autonomous cars alike. They need consistent maps to localize or plan a path, and they must perceive moving and consider their motion during navigation. People, cyclists, cars, and other dynamic objects moving through the environment create challenges for robot mapping and so-called SLAM systems that aim at building a 3D model of the world. Objects, which move through the environment during mapping, will create map inconsistencies and seriously affect the resulting model’s quality.