Los Vehículos Aéreos No Tripulados (VANT) se han vuelto cada vez más importantes en diversas aplicaciones, incluyendo el monitoreo ambiental, la respuesta a desastres y la vigilancia, debido a su flexibilidad, eficiencia y capacidad para acceder a áreas de difícil acceso. La planificación efectiva de rutas para múltiples VANT que exploran un área objetivo es crucial para maximizar la cobertura y la eficiencia operativa. Este estudio presenta un enfoque novedoso para optimizar la navegación colaborativa de los VANT utilizando el aprendizaje por refuerzo multiagente (MARL). Para mejorar la eficiencia de este proceso, introducimos el marco de Reducción Adaptativa de Dimensionalidad (ADR), que incluye Autoencoders (AEs) y Análisis de Componentes Principales (PCA) para la reducción de dimensionalidad y extracción de características. El marco ADR reduce significativamente la complejidad computacional al simplificar espacios de estado de alta dimensión mientras preserva información crucial. Además, incorporamos módulos de comunicación para facilitar la coordinación entre VANT, mejorando aún más la eficiencia de la planificación de rutas. Nuestros resultados experimentales demuestran que el enfoque propuesto mejora significativamente el rendimiento de exploración y reduce la complejidad computacional, mostrando el potencial de combinar MARL con técnicas ADR para una navegación avanzada de VANT en entornos complejos.