본 논문은 멀티로터 시스템의 액추에이터 고장에 대한 내성을 강화하기 위해, 트랜스포머 기반의 온라인 적응 모듈이 통합된 새로운 하이브리드 강화학습 기반 내결함 제어(FTC) 프레임워크를 제안한다. 기존의 강화학습 기반 FTC 접근 방식은 멀티로터 모델에 대한 사전 지식이 필요하거나 새로운 구성에 적응하는 데 어려움을 겪는다는 한계를 극복하기 위해, 트랜스포머 아키텍처를 활용하여 실시간으로 잠재적 표현을 추론함으로써 재훈련 없이 이전에 보지 못한 시스템 모델에도 적응할 수 있도록 한다. PyBullet 시뮬레이션에서 액추에이터 효과 감소 오류 하에서 평가한 결과, 95%의 성공률과 0.129m의 위치 RMSE를 달성하여 기존 적응 방법(86% 성공률, 0.153m RMSE)보다 우수한 성능을 보였다. 다양한 구성의 쿼드로터에 대한 추가 평가는 훈련되지 않은 역학에서도 프레임워크의 강건성을 확인하였다. 이 결과는 본 프레임워크가 동적이고 불확실한 환경에서 효율적인 결함 관리를 가능하게 하여 멀티로터의 적응성과 신뢰성을 향상시킬 수 있는 잠재력을 보여준다.
