หุ่นยนต์กู้ภัยที่เข้าสู่อาคารโดยมีเวลาจำกัดเพียง 30 วินาที ควรพุ่งเป้าไปที่ห้องที่มีแนวโน้มมากที่สุดเพียงห้องเดียว แต่หากมีเวลา 10 นาที มันควรจะสำรวจให้กว้างขึ้นแทน. อย่างไรก็ตาม โมเดล Vision-Language Navigation (VLN) มักจะถูกประเมินภายใต้ข้อจำกัดของรอบ (episode limit) ที่นโยบายไม่เคยสังเกตเห็น แม้ว่าภารกิจที่เร่งด่วนจะต้องให้พฤติกรรมปรับตัวตามงบประมาณที่มีอยู่.
งานวิจัยนี้ได้ศึกษาการค้นหาวัตถุแบบมีงบประมาณเงื่อนไข: เมื่อได้รับหมวดหมู่เป้าหมายและงบประมาณการกระทำที่ชัดเจน ตัวแทน (Agent) จะต้องค้นหาวัตถุเป้าหมายที่แตกต่างกันให้ได้มากที่สุดก่อนที่งบประมาณจะหมดลง. นักวิจัยได้ตรวจสอบวิธีการกำกับดูแล VLNs สำหรับงานนี้ โดยเปรียบเทียบผู้เชี่ยวชาญ TSP (Traveling Salesperson Problem) ซึ่งวางแผนเส้นทางที่เกือบเหมาะสมที่สุดโดยใช้แผนที่ทั้งหมดและตำแหน่งเป้าหมายจริง กับผู้เชี่ยวชาญ Bellman ระดับห้องที่เพิ่มผลตอบแทนที่คาดหวังภายใต้การสังเกตบางส่วนโดยใช้ลำดับความสำคัญทางความหมายระดับสูงข้ามฉาก.
แม้ว่าผู้เชี่ยวชาญ TSP จะมีประสิทธิภาพสูงกว่าผู้เชี่ยวชาญอย่างมีนัยสำคัญ แต่การสาธิตของมันกลับมีประสิทธิภาพน้อยกว่าสำหรับการเรียนรู้การสำรวจ: ในฉาก HM3D ที่ไม่ได้ใช้ในการฝึก โมเดล VLN ที่ถูกกำกับดูแลโดย Bellman มีประสิทธิภาพเหนือกว่าโมเดล VLN ที่ถูกกำกับดูแลโดย TSP อย่างต่อเนื่อง โดยความได้เปรียบนี้จะชัดเจนยิ่งขึ้นเมื่องบประมาณยาวนานขึ้น. ที่ 2000 ขั้นตอน (500 ม.) โมเดล VLN ที่ถูกกำกับดูแลโดย Bellman สามารถค้นหาวัตถุเป้าหมายที่เข้าถึงได้ 71.4% เทียบกับ 65.5% สำหรับ VLN ที่ถูกกำกับดูแลโดย TSP และ 44.8% สำหรับ VLN ที่ถูกฝึกอบรมล่วงหน้า. ผลลัพธ์เหล่านี้เน้นความแตกต่างระหว่างการกำหนดเส้นทางที่เหมาะสมที่สุดกับการสำรวจที่เหมาะสมที่สุด: การกำกับดูแลการสำรวจที่มีประสิทธิภาพควรจะปรับปรุงการตัดสินใจภายใต้การสังเกตบางส่วน แทนที่จะเลียนแบบเส้นทางที่เหมาะสมที่สุดเมื่อสภาพแวดล้อมเป็นที่รู้จักทั้งหมดแล้วเท่านั้น.