본 논문은 실제 세계의 차량 경로 문제(VRP) 해결을 위한 신경 조합 최적화(NCO) 방법인 RRNCO를 제안한다. 기존 NCO 연구들이 단순화된 설정에 초점을 맞춰 실제 적용에 어려움을 겪는다는 점을 지적하며, 실제 데이터와 모델링 측면 모두에서 실제 세계 VRP와의 간극을 해소하고자 한다. 먼저, 100개 도시의 실제 거리 및 소요 시간 데이터를 포함하는 새로운 공개 데이터셋을 제시한다. 이 데이터셋은 Open Source Routing Machine (OSRM)을 사용하여 얻은 실제 경로 정보를 포함한다. 또한, 노드 및 엣지 특징을 효율적으로 처리하는 새로운 접근 방식을 제안하여 더욱 정보가 풍부한 노드 임베딩을 생성하고, 거리 행렬뿐 아니라 노드 간 각도 관계까지 통합하는 Adaptation Attention Free Module (AAFM)을 도입하여 풍부한 구조적 정보를 포착한다. RRNCO는 실제 세계 VRP에서 기존 NCO 방법들보다 우수한 성능을 달성하며, 데이터셋과 코드는 공개적으로 제공한다.
