부분적으로 알려진 환경을 탐색하는 자율 로봇 팀은 지상 로봇이 물리적 주행을 통해서만 드러나는 막힌 도로를 마주할 때 비용이 많이 드는 되돌아가기 (backtracking) 문제에 직면합니다. 우리는 정찰용 무인 항공기 (Unmanned Aerial Vehicles, UAV)가 환경 정보를 선제적으로 수집하여 무인 지상 차량 (Unmanned Ground Vehicle, UGV)의 내비게이션을 개선하는 이기종 계획 프레임워크인 정찰 지원 계획 (Scout-Assisted Planning, SAP)을 통해 이 문제를 해결합니다. 가장 중요한 엣지 (edges)에 정찰을 집중하기 위해, 우리는 후보 정찰 행동이 지상 로봇의 행동에 미칠 예상 영향에 따라 점수를 매기는 정보 이득 기반 행동 가지치기 (Information Gain-based Action Pruning)를 제안합니다. 정확한 정보 이득 기반 행동 가지치기 계산은 비용이 지나치게 많이 들기 때문에, 우리는 그래프 구조와 신념 상태 (belief state)로부터 정보 이득 값을 직접 예측하는 그래프 신경망 (Graph Neural Network, GNN) 기반 모델을 개발하여, 솔루션 품질을 희생하지 않으면서 계획 시간을 실시간 수준으로 단축했습니다. 세 가지 환경 유형에 걸친 실험 결과, 정보 이득 행동 가지치기를 적용한 SAP는 Canadian Traveler Problem 베이스라인 대비 지상 로봇의 이동 비용을 31.9--37.7% 감소시켰으며, 근접 기반 정찰 가이드 (proximity-based scouting guidance)보다 8--14% 더 우수한 성능을 보였습니다. 이는 원칙적인 정보 이득 유도 정찰이 실제 배포에 있어 더 효과적이고 계산적으로 실행 가능하다는 것을 확인시켜 줍니다.