Dec-MARVEL：預算約束下無通訊的分散式多智慧體探索
本文提出Dec-MARVEL，一種分散式預算感知探索框架，用於無通訊且僅具有方向性感測的多無人機團隊。每個機器人透過視野內隊友軌跡進行協調，利用圖注意力網路選擇可行的路徑點。實驗表明，在多種團隊規模和預算下，Dec-MARVEL實現了最高的探索率和最低的感測重疊，併成功進行了實物機器人驗證。
在多無人機協同探索任務中，通訊不可靠、視野受限（如輕量級機載攝像頭）以及有限的航程預算（每個機器人需預留足夠能量返回基地）是常見且嚴峻的挑戰。針對這些問題，研究者提出了Dec-MARVEL，一種分散式預算感知探索框架，專門用於無通訊且僅具備方向性感測的無人機團隊。
Dec-MARVEL的核心創新在於，機器人之間不交換地圖、目標或訊息，而是透過偶然觀測進行協調：任何隊友只要出現在視野內，其軌跡即可作為協調訊號。每個機器人利用圖注意力網路（graph-attention actor）融合區域性前沿幾何、隊友運動以及預算特徵，從而選擇既能返回基地又可行的路徑點（waypoint-heading）動作。訓練過程中採用了階段條件批評器（phase-conditioned critics）、僅用於訓練的任務導向特權批評器以及基於混合的預算課程（mixture-based budget curriculum），這些技術共同提升了演算法的魯棒性和效率。
為了驗證演算法效能，研究團隊進行了900次留出試驗，涵蓋三種團隊規模（2、4、8個機器人）和三種航程預算（720、800、1024米），並與四種基線方法對比。結果令人印象深刻：在所有九種團隊規模與預算組合下，Dec-MARVEL均達到最高或並列最高的探索率，且感測重疊最低。在最嚴格的720米預算下，對於2、4、8個機器人，Dec-MARVEL的成功率分別達到53%、94%和100%，而最強基線的相應資料為37%、83%和99%。這些資料充分展示了Dec-MARVEL在嚴苛條件下的優越效能。
此外，實物機器人實驗成功實現了從模擬到真實世界的遷移，驗證了Dec-MARVEL在實際環境中的可行性和有效性。該研究為無通訊多機器人探索提供了新的思路，有望在搜救、環境監測等領域發揮重要作用。例如，在搜救任務中，無人機可能需要進入通訊盲區，此時Dec-MARVEL的無需通訊特性尤為重要。實驗結果表明，即使沒有通訊，透過視覺觀察隊友軌跡，機器人也能有效協調，避免重複探索，從而提高整體效率。