屋内インフラ検査（トンネルや産業施設など）では、すべての検査対象を適切に観察するために体系的な表面カバレッジが必要です。無人航空機（UAV）は、事前の構造モデルを使用した地図誘導による表面検査を実施することで、手動検査に代わる選択肢を提供します。しかし、実際の屋内検査では、フロアプランから得られた参照地図に依存することが多く、一時的な構造物や設備などの予期せぬ障害物が反映されず、視点の遮蔽や検査品質の低下につながります。既存のカバレッジ計画手法は通常、検査環境が完全に既知であると仮定し、正確な事前地図に基づいて決定論的なグローバル視点最適化を実行するため、実行中の環境の食い違いに対して脆弱です。
本研究では、ASIP-Plannerと呼ばれる、部分的に既知の構造化屋内環境向けの適応型UAV検査フレームワークを提案します。提案手法は、セグメントベースのグローバルカバレッジプランナーと、検査指向のローカル視点適応モジュールを統合します。グローバルプランナーは、平面検査ターゲットを表面に沿ったクラスターに整理し、方向の一貫性が向上したコンパクトな視点シーケンスを生成します。ローカルプランナーは、衝突のない軌道を生成し、オンラインで視野方向を調整して、計画された軌道構造を維持しながら遮蔽によるカバレッジ損失を軽減します。これにより、ASIP-Plannerは環境が部分的にしか既知でない場合でも、一時的な障害物に動的に適応し、検査カバレッジの完全性を確保します。
ランダム化されたシーン構成でのシミュレーション結果は、提案されたグローバルプランナーが代表的なベースラインと比較して、軌道長を削減しながらほぼ完全なカバレッジを達成することを示しています。実際の飛行実験により、このフレームワークが下流分析に使用可能な検査データを生成することがさらに検証されました。これらの結果は、提案フレームワークが部分的に既知の構造化屋内環境における検査効率と適応性を向上させることを示しています。さらに、このフレームワークのモジュール設計により、既存のUAVシステムへの統合が容易であり、産業検査やインフラ保守などの分野で実用的なソリューションを提供します。今後の研究方向としては、より複雑なセンサーフュージョン、マルチUAV協調、深層学習による視点選択の強化などが考えられます。