저궤도(LEO) 위성의 기하급수적인 증가는 지구 관측(EO) 임무에 혁명을 가져왔지만, 다중 위성 시스템의 자율 조정은 여전히 중요한 과제로 남아있다. 본 논문에서는 강화 학습(RL)과 다중 에이전트 강화 학습(MARL)을 활용하여 자율 EO 임무 계획을 연구한다. 단일 위성 운영을 모델링하고 MARL 프레임워크를 사용하여 다중 위성 군집으로 확장한다. 에너지 및 데이터 저장 제한, 위성 관측 불확실성, 부분 관측 하에서의 분산 조정 복잡성을 포함한 주요 과제를 해결한다. 실제와 유사한 위성 시뮬레이션 환경을 활용하여 PPO, IPPO, MAPPO, HAPPO를 포함한 최첨단 MARL 알고리즘의 훈련 안정성과 성능을 평가한다. MARL이 다중 위성 조정에서 이미징과 자원 관리를 효과적으로 균형을 이루고 비정상성 및 보상 상호 의존성을 해결할 수 있음을 보여준다. 이 연구를 통해 얻은 통찰력은 자율 위성 운영의 기초를 제공하며, 분산 EO 임무에서 정책 학습을 개선하기 위한 실질적인 지침을 제공한다.
