본 논문은 재난 대응, 환경 모니터링, 감시 등 분산된 목표 지점을 처리하는 애플리케이션에서 협력적인 자율 드론 함대의 임무 계획을 다룹니다. 부분 관측 가능성, 제한된 통신 범위, 불확실한 환경 하에서 기존 경로 계획 알고리즘은 특히 사전 정보가 없는 경우 어려움을 겪습니다. 이러한 문제를 해결하기 위해, 본 논문은 그래프 신경망(GNN), 심층 강화 학습(DRL), 그리고 트랜스포머 기반 메커니즘을 통합하는 새로운 프레임워크를 제안합니다. GNN은 적응형 그래프 구성을 통해 에이전트 간 및 에이전트-목표 상호 작용을 모델링하여 제한된 통신 환경에서 효율적인 정보 집계 및 의사 결정을 가능하게 합니다. 엣지 특징이 강화된 어텐션을 추가한 트랜스포머 기반 메시지 전달 메커니즘은 복잡한 상호 작용 패턴을 포착하고, 우선 순위 경험 재생을 사용하는 이중 심층 Q 네트워크(Double DQN)는 부분 관측 가능 환경에서 에이전트 정책을 최적화합니다. 이러한 통합은 확장성, 적응성, 효율적인 작업 실행과 같은 다중 에이전트 탐색의 특정 요구 사항을 충족하도록 설계되었습니다. 실험 결과는 입증된 알고리즘(PSO, 탐욕 알고리즘, DQN)과 비교하여 90%의 서비스 제공률, 100%의 그리드 적용 범위(노드 발견), 에피소드당 평균 단계 수를 600에서 200으로 줄이는 등 우수한 성능을 보여줍니다.
