تُركّز هذه الدراسة على مشكلة التوجّه نحو الهدف الكائن، التي تتمثل في التوجّه إلى نسخة من فئة كائن معطاة في بيئات غير معروفة. تواجه الطرق القائمة على التعلّم المدمج (end-to-end) صعوبات في أداء هذه المهمة نظرًا لعدم كفاءتها في الاستكشاف والتخطيط طويل الأمد. نقترح نظامًا منفصلًا يُسمّى "استكشاف دلالي موجّه بالهدف"، الذي يُنشئ خريطة دلالية دورية (episodic semantic map) ويستخدمها لاستكشاف البيئة بكفاءة بناءً على فئة الكائن المستهدف. أظهرت النتائج التجريبية في بيئات محاكاة واقعية بصريًا أن النموذج المقترح يتفوّق على مجموعة واسعة من النماذج الأساسية، بما في ذلك الطرق القائمة على التعلّم المدمج والطرق القائمة على الخرائط المنفصلة، مما أدى إلى تحقيق المركز الأول في مسابقة CVPR-2020 لـ Habitat ObjectNav. وتشير تحليلات الحذف (ablation analysis) إلى أن النموذج المُقترح يتعلم معلومات أولية دلالية حول الترتيب النسبي للكائنات داخل المشهد، ويستخدم هذه المعلومات لاستكشاف البيئة بكفاءة. كما أن تصميم الوحدات غير المرتبطة بمجال معين (domain-agnostic) يمكّننا من نقل النموذج إلى منصة روبوت متنقّل، وتحقيق أداء مشابه في التوجّه نحو الكائنات في البيئة الحقيقية.