Zum Hauptinhalt springen

Abstandssensor für Fahrräder: Nachbauen erwünscht

Das studentische Team „Kesselnetz“ des interdisziplinären Forschungsprojekts Urban Mobility Lab (UML) der DHBW Stuttgart hat einen Abstandssensor entwickelt, der seitliche Abstände von Fahrrädern bei Überholvorgängen durch Autos aufzeichnet.

Foto (v.l.n.r.): Nico Hofmann, Jakob Seitzer, Jan von Berg, Helene Schächtele

Das Team Kesselnetz ist eine der studentischen Gruppen des UMLs, dessen Ziel es war, innerhalb eines Jahres neuartige Lehr- und Lernmöglichkeiten zu entwickeln, umzusetzen und zu evaluieren. Der interdisziplinäre, standortübergreifende und projektorientierte Lehransatz soll selbstständiges Lernen fördern.

Die Kesselnetz-Teammitglieder Nico Hofmann (Fakultät Wirtschaft), Helene Schächtele (Sozialwesen), Jakob Seitzer (Technik), Jan von Berg (Sozialwesen) und Michaela Wahl (Wirtschaft) haben sich der Sicherheit von Radfahrenden angenommen. Sie entwickelten einen Abstandssensor – die „Kesselbox“ –, der seitliche Abstände von Autos beim Überholen von Radfahrer*innen aufzeichnet. Die Datenanalyse der Überholvorgänge zeigt auf, an welchen Verkehrsbereichen Radfahrende häufiger mit zu geringem Seitenabstand überholt werden und generiert wichtige Erkenntnisse für die Stadtentwicklung, um auf diese Weise zu einem sicherer werdenden Radverkehrsnetz in Stuttgart beizutragen. Der Abstandssensor basiert auf einem Raspberry Pi als Micro-Computer, zwei Ultraschallsensoren zur Abstandsmessung sowie einem GPS-Modul zur Standortbestimmung. Die besondere Intelligenz des Systems liegt in der eigens geschriebenen Auswertungssoftware, welche die Überholvorgänge erkennt.

Die Stuttgarter Zeitung berichtet zu dem Projekt in mehreren Artikeln sowie einem Video, die das Team selbst, die Projektergebnisse sowie die weiteren Pläne des Teams vorstellen.
Die Studierenden möchten mit dem Projekt zum Nachbau anregen, um möglichst viele Überholdaten unterschiedlichster Standorte zu sammeln. Abschließend sollen alle Daten online in einer Karte dargestellt und Gefahrenmuster identifiziert werden können.