室内基础设施检测，如隧道和工业设施，需要系统性的表面覆盖以确保所有检测目标被适当观察。无人机通过使用先验结构模型进行地图引导的表面检测，提供了一种替代人工检测的方法。然而，在实际应用中，室内检测通常依赖基于平面图的参考地图，这些地图可能无法反映临时结构或设备等意外障碍，导致视点遮挡和检测质量下降。现有的覆盖规划方法通常假设检测环境完全已知，并基于准确的先验地图执行确定性的全局视点优化，这使得它们在执行过程中容易受到环境差异的影响。
本研究提出了一种用于部分已知结构化室内环境的自适应无人机检测框架，名为ASIP-Planner。该方法集成了基于分段的全局覆盖规划器和面向检测的局部视点自适应模块。全局规划器将平面检测目标组织成表面对齐的簇，以生成具有更好方向一致性的紧凑视点序列。局部规划器生成无碰撞轨迹，并在线调整视角方向，以减轻遮挡导致的覆盖损失，同时保持规划的轨迹结构。通过这种方式，ASIP-Planner能够在环境部分已知的情况下，动态适应临时障碍物，确保检测覆盖的完整性。
在多种随机场景配置下的仿真结果表明，与代表性基线相比，所提出的全局规划器在减少轨迹长度的同时实现了近乎完全的覆盖。真实世界的飞行实验进一步验证了该框架能够产生可用于下游分析的有用检测数据。这些结果表明，所提出的框架在部分已知的结构化室内环境中提高了检测效率和适应性。此外，该框架的模块化设计使其易于集成到现有无人机系统中，为工业检测、基础设施维护等领域提供了可行的解决方案。未来工作可能包括与更复杂的传感器融合、多无人机协作以及深度学习增强的视点选择等方向的结合。