본 논문은 협력적인 무인 항공기 (UAV) 및 무인 지상 차량 (UGV) 핸드오버 (handover) 임무를 위한 학습 증강 궤적 계획 (trajectory planning) 프레임워크를 제시합니다. 중앙 집중식 궤적 최적화 (centralized trajectory optimization)는 동적 타당성 (dynamic feasibility)과 작업 최적성 (task optimality)을 보장하지만, 높은 계산 비용으로 인해 실시간 적용에 한계가 있습니다. 본 연구에서는 작업 사양으로부터 조정된 핸드오버 궤적 예측을 생성하기 위해 분리된 인코더-디코더 장단기 메모리 (LSTM) 네트워크를 활용하는 신경망 대리 플래너 (neural surrogate planner)를 제안합니다. 이러한 예측은 하위 단계의 중앙 집중식 최적화 도구 (downstream centralized optimizer)를 위한 정보가 포함된 웜 스타트 (warm starts) 역할을 수행하며, 이를 통해 동적으로 타당한 솔루션으로의 수렴을 가속화합니다. 벤치마크 평가 결과, 학습 증강 계획 프레임워크는 콜드 스타트 (cold start) 최적화와 비교하여 3배 이상의 속도 향상과 100%의 최적화 성공률을 달성함을 입증하였습니다. 이러한 결과는 데이터 기반 추론 (data-driven inference)과 모델 기반 정밀화 (model-based refinement)를 결합함으로써 이기종 다중 로봇 시스템 (heterogeneous multi-robot systems)을 위한 빠르고 신뢰할 수 있는 궤적 생성이 가능함을 나타냅니다.