2.5D grid map，或者说elevation map，一般还是2D的平面地图，但是给每个点加了个高度信息（类似于一个个柱体）。3D grid map就是真的每个地图元素保存着它的3维XYZ坐标信息。这是地图的数据结构。

占据概率这个东东是作为你fusion，也就是融合构建地图时候的一项指标。你可以让每个格子具备一个概率更新的占有率的数值，也可以比方说看到这里有障碍物就直接设为1，看见这里没有就设为0。这是地图的融合方法。我在PPT里有提到，地图的数据结构，和融合方法是两个概念，不必一一对应。

你可以自己理解一下。2.5D grid map 也可以算是一种occupancy grid map。不过我一般会单独来看待。总之叫什么名字不重要，主要要回根据自己的需求选择用什么地图。

Octomap是用八叉树表示的地图。作业里的是3D grid map, 不是octomap。

看你要发什么论文了。如果ICRA/IROS这种顶会的话，我认为一般来说是不够的。除非你的导师给了你很具体的idea去直接上手做。

灌水的论文的话我也没灌过，所以没法回答

你能把它用在机器人上，给大家看end-to-end导航的demo，那就是实用的。能在性能上PK掉传统方法，那就是很厉害的。没人说这种方法一定不实用，只是大家看到的现在实用的比较少。

1）无人机一般要求响应时间在5~10ms

2）不需要一致。规划和控制没必要完全绑定。

@zgrobottoday 如果延时大，可以像你说的，“用上次轨迹对应此时刻的机器人理论状态作为输入”。

实时地，在当前地图内寻找的“可通行区域”。可以理解为一种广义的“path”

第六课会讲的。

1）知不知道动态障碍物在未来一个planning horizon内的运动轨迹，对问题有决定性影响。如果不预测动态障碍物的运动，就是reactive的每个时刻下静态规划问题；如果预测，那预测本身是现在的瓶颈。

2）grid map 一般够用。

很好的问题，所以有的时候我们需要“满足动力学约束的路径规划”。第四课要讲的内容。

楼上同学正解。

至少要先有个了解。可以暂时把slam当做黑盒，知道其输入输出是什么。

本质上没有区别。无人机有它的特点，全向运动，体积小，一般可以方便的当做质点，但是规划维度更高。无人车一般需要考虑模型、碰撞体积，模型会更复杂，但是一般维度更低。

经典的，新的，都会讲。比如第二课包括经典算法A*，也包括比较新的算法JPS.

“研究生搞这一块为了发论文”。  

只为了发论文，那也太难了，做机器人还是建议结合具体应用。

 SLAM方案一般用于解决定位问题。用于导航、避障的地图一般需要一个稠密的dense mapping模块。你可以试试这个：https://github.com/HKUST-Aerial-Robotics/open_quadtree_mapping 来估计深度。再用地图包来做fusion，比如：https://github.com/HKUST-Aerial-Robotics/FIESTA

现在不需要学习。后面课程中会推荐。

没有入门中文书推荐。本课程和vins-fusion没有关系。建议先尽量follow课程