确实，这个应该打错了，是v/L不是r/L

old-school的方法就是模块化，分成定位、建图、规划、控制各个部分；

end-to-end就是深度学习方法直接从传感器数据生成轨迹或控制量；

请看readme第一句

欺骗器需要插在右边的HDMI口，如果还是不行可能是欺骗器型号问题

可能和飞控以及固件版本有关

t265不能出深度图，无法建图避障

nx跑cpu的vins不行，必须跑gpu的

教程用的是QGC，你会用mission planner当然可以

问题一：1）是的。2）不是每个不同，是使得原本一样的f的结点的f变得不一样。

问题二：1）只要确保每个grid产生的增量不一样即可。2）可以。

建议用课上推荐的最简单实现，就是把f放大一个小的比例1.000001倍这样。

看一下kumar lab的，比如minimum snap作者的paper。也可以follow一下dingjiang zhou的论文。

我觉得简单的gird map即可；如果需要在线轨迹优化，最好esdf map

https://www.shenlanxueyuan.com/course/188/thread/403

嗯是的。这种方法多项式的阶数不不能任意指定的，必须和导数阶数对应。

用障碍物地图生成一个ESDF地图，再从ESDF地图里评估每个位置的障碍物推力cost。

具体问题，由具体处理方法。比如OBVP，在求解时加入约束会让问题很难解，一种方式是sample很多final state，求解后保留满足约束的部分；对于minimum snap的轨迹生成，第六课会说怎么施加约束。

这个完全是由动力学来的。由model 决定的。感兴趣可以看看无人机动力学建模的论文。

differential flatness 把问题维度降低，是“求解4维planning问题，其结果能被无人机执行的理论基础”。

我们课上是没说yaw的planning。因为无人机yaw的控制是独立的并且无人机是对称的，如果假设传感功能是全向的那么久不需要久yaw planning。一般实际飞的时候，可以锁死yaw （有利于VIO），也可以让yaw跟着飞机转，沿着速度方向 （观察前方障碍物）。也可以专门研究一下怎么做yaw planning，这个课题现在做的人很少。

你说的对，是有这个问题。这就涉及到具体工程上的策略了。比如如果这条最优轨迹生成后，碰撞检测没有通过，是直接把它删了，还是把采样的状态往最近的状态steer一段距离再重新计算OBVP

这个没办法的。栅格地图把连续的空间离散化，必然带来了信息的损失。栅格地图的分辨率越高（格子越小）就越精确，但是带来的开销就越大。

@frenzyboy 是的