Diese Arbeit untersucht das Problem des Objekt-Ziel-Navigation, bei dem ein Roboter in unbekannten Umgebungen eine Instanz einer vorgegebenen Objektkategorie finden und navigieren muss. End-to-end lernbasierte Navigationssysteme zeigen bei dieser Aufgabe Schwächen, da sie ineffizient bei der Exploration und der langfristigen Planung sind. Wir stellen ein modulares System namens „Goal-Oriented Semantic Exploration“ vor, das eine episodische semantische Karte aufbaut und diese zur effizienten Exploration der Umgebung auf Basis der Zielobjektkategorie nutzt. Empirische Ergebnisse in visuell realistischen Simulationsumgebungen zeigen, dass das vorgeschlagene Modell eine Reihe von Benchmarks übertrifft, einschließlich sowohl end-to-end lernbasierter Methoden als auch modularer, kartengestützter Ansätze, und führte zur Siegerlösung des CVPR-2020 Habitat ObjectNav-Challenges. Eine Ablationsanalyse zeigt, dass das vorgeschlagene Modell semantische Vorwissen über die relative Anordnung von Objekten in einer Szene lernt und dieses zur effizienten Exploration nutzt. Die domainspezifische Modularität ermöglicht zudem die Übertragung des Modells auf eine mobilen Roboterplattform, wo es in der realen Welt ähnliche Leistungen für die Objekt-Ziel-Navigation erzielt.