본 논문은 강화학습(RL)을 이용한 다차량 협력 주행 전략 최적화에서 샘플 효율 저하 문제를 해결하기 위해, 정상 상태 전이 시스템 기반의 차별화된 보상 방법을 제안한다. 교통 흐름 특성 분석을 통해 상태 전이 기울기 정보를 보상 설계에 통합하여 다차량 협력 의사결정에서 행동 선택 및 정책 학습을 최적화한다. MAPPO, MADQN, QMIX 등의 RL 알고리즘과 다양한 자율주행차량 비율 환경에서 제안된 방법의 성능을 검증한 결과, 학습 수렴 속도가 크게 향상되었고, 교통 효율, 안전성, 행동 합리성 측면에서 기존의 중심 보상 방법 등보다 우수한 성능을 보였다. 또한, 강력한 확장성과 환경 적응력을 보여 복잡한 교통 환경에서 다 에이전트 협력 의사결정을 위한 새로운 접근 방식을 제시한다.
