複数の無人航空機（UAV）による協調探索は、通信の不安定性、限定的な視野センシング、そして各ロボットが基地に帰還するために必要な予算確保という複数の制約に直面している。新たに提案されたDec-MARVELは、これらの課題に対処する分散型の予算認識型探索フレームワークである。従来のアプローチとは異なり、ロボット同士が地図や目標、メッセージを交換する代わりに、視野内に入ったチームメイトの軌跡を観察することで間接的に協調する仕組みを採用している。 システムの中核は、グラフアテンション機構を用いたアクターネットワークであり、局所的なフロンティア幾何学、チームメイトの動き、予算制約といった特徴量を融合させながら、帰還可能なウェイポイント選択を行う。このアクターは、段階的に条件付けられた複数の評論家ネットワーク、訓練専用の特権付き評論家、および混合ベースの予算カリキュラムを用いて学習される。 評価実験では、2機、4機、8機の三つのチームサイズと720メートル、800メートル、1024メートルの三つの予算制約の組み合わせにおいて、900の未学習試験を実施した。その結果、Dec-MARVELは全9つの設定で最高または同等の探索率を達成し、センシング重複率を最小化した。特に最も厳しい720メートル予算制約下では、2機で53%、4機で94%、8機で100%の成功率に達し、最強のベースライン手法（それぞれ37%、83%、99%）を上回っている。 さらに実機実験により、シミュレーションから現実への転移学習が成功し、実世界環境への展開可能性が実証されている。このフレームワークは、通信インフラに依存しない自律的な多数ロボット探索システムの実現に向けた重要な進展を示している。