在多无人机协同探索任务中，通信不可靠、视野受限（如轻量级机载摄像头）以及有限的航程预算（每个机器人需预留足够能量返回基地）是常见且严峻的挑战。针对这些问题，研究者提出了Dec-MARVEL，一种分散式预算感知探索框架，专门用于无通信且仅具备方向性传感的无人机团队。
Dec-MARVEL的核心创新在于，机器人之间不交换地图、目标或消息，而是通过偶然观测进行协调：任何队友只要出现在视野内，其轨迹即可作为协调信号。每个机器人利用图注意力网络（graph-attention actor）融合局部前沿几何、队友运动以及预算特征，从而选择既能返回基地又可行的路径点（waypoint-heading）动作。训练过程中采用了阶段条件批评器（phase-conditioned critics）、仅用于训练的任务导向特权批评器以及基于混合的预算课程（mixture-based budget curriculum），这些技术共同提升了算法的鲁棒性和效率。
为了验证算法性能，研究团队进行了900次留出试验，涵盖三种团队规模（2、4、8个机器人）和三种航程预算（720、800、1024米），并与四种基线方法对比。结果令人印象深刻：在所有九种团队规模与预算组合下，Dec-MARVEL均达到最高或并列最高的探索率，且传感重叠最低。在最严格的720米预算下，对于2、4、8个机器人，Dec-MARVEL的成功率分别达到53%、94%和100%，而最强基线的相应数据为37%、83%和99%。这些数据充分展示了Dec-MARVEL在严苛条件下的优越性能。
此外，实物机器人实验成功实现了从仿真到真实世界的迁移，验证了Dec-MARVEL在实际环境中的可行性和有效性。该研究为无通信多机器人探索提供了新的思路，有望在搜救、环境监测等领域发挥重要作用。例如，在搜救任务中，无人机可能需要进入通信盲区，此时Dec-MARVEL的无需通信特性尤为重要。实验结果表明，即使没有通信，通过视觉观察队友轨迹，机器人也能有效协调，避免重复探索，从而提高整体效率。