VANDERER 是研究团队于 2026 年 6 月 12 日提交到 arXiv 的一篇机器人学论文提出的探索框架，作者为 Venkata Naren Devarakonda 及另外三位合作者，论文编号 arXiv:2606.14879，归类于机器人学（cs.RO），同时涉及计算机视觉与模式识别（cs.CV）以及机器学习（cs.LG）。该研究关注的核心问题是：移动智能体在未知环境中如何高效探索并自主规划任务。
传统探索方法通常依赖构建占据栅格地图，再对尚未探索区域的访问顺序进行优化。然而在传感器受限的场景中，例如仅配备单目相机的平台，生成准确的占据地图本身就非常困难，这条路线因此受到明显制约。VANDERER 的目标正是在这种条件下绕开显式地图构建，仅凭单目图像数据完成探索。
该框架的关键组件是视觉好奇心模块（Visual Curiosity Module，VCM），它被用来引导一个预先训练好的扩散策略。具体而言，好奇心模块借助导航世界模型对候选动作可能导致的未来结果进行预测，并通过一个“好奇心代价”对这些预测结果进行评估。随后，这一代价被用于引导扩散过程的生成方向，使最终输出的动作倾向于最大化探索收益。这种设计将未来感知与视觉好奇心结合起来，让智能体在没有地图的情况下也能判断哪些行动更值得尝试。
作者在多种仿真环境中对 VANDERER 进行了评测，结果显示它一致优于已有基线方法。与 NoMaD 相比，VANDERER 平均多探索了 13.4% 的区域面积。研究还发现，在室外环境中，视觉好奇心与几何好奇心之间存在直接相关性，这表明 VANDERER 能够利用这一关系，帮助传感器受限的智能体实现更高效的探索。
从论文元数据看，该版本为 2026 年 6 月 12 日 18:33:12 UTC 提交的首版（v1），全文大小约 12,071 KB，提供 PDF、实验性 HTML 以及 TeX 源码等访问方式，DOI 为 10.48550/arXiv.2606.14879，由 DataCite 发放（注册待完成）。