تشكل القدرة على تحديد موقع كائن مستهدف أثناء استكشاف بيئات غير معروفة مهارة أساسية للوكالات المستقلة، مع تطبيقات تمتد من الإنقاذ في حالات الطوارئ إلى الروبوتات الميدانية. في هذا السياق، يتمثل أحد التحديات الرئيسية في مجال Navigation المستهدفة، والمعروفة أيضًا باسم Navigation الكائن (ObjNav).

في ObjNav، يعتبر الوصول الناجح إلى الكائن المستهدف مقياسًا أساسيًا للأداء، ولكن كفاءة المسار الذي يتم اتخاذه أيضًا لها أهمية بالغة، حيث تشير إلى مدى ذكاء الوكيل في استكشاف البيئة وكم من الوقت يتبقى للمهام اللاحقة. يكمن مفتاح Navigation الكفء في البيئات غير المعروفة في تحديد أفضل الاتجاهات لاستكشافها لاحقًا.

ورغم أن الكثير من الأعمال السابقة قد سعت لمعالجة هذا التحدي الأساسي، إلا أن النماذج المستندة إلى التدريب وإطارات العمل غير التدريبية لا تزال تعاني من مشكلات في التعميم والكفاءة على التوالي، ما يؤدي في أسوأ السيناريوهات إلى استكشاف مفرط لمناطق تمت زيارتها سابقًا أو حركة متكررة غير ضرورية.

تم تقييم إيـفـيناف (EffiNav) على اثنين من المعايير المحاكاة الشائعة الاستخدام: Habitat Matterport 3D (HM3D) و Open-Vocabulary Object goal Navigation (OVON)، وتم التحقق من فعاليته على الروبوتات الفيزيائية في بيئات العالم الحقيقي. من خلال إجراء تحليل للفشل على مجموعة ضخمة من حلقات المحاكاة، تم تمديد إيـفـيناف لمهمة ObjNav معززة بالذاكرة على مجموعة بيانات GOAT-BENCH، مما يظهر ملاءمتها لتطبيقات تتجاوز إعدادات ObjNav القياسية.

على مستوى مؤشرين عالميين -- معدل النجاح (Success Rate - SR) والثقل المرتبط بطول المسار (Success weighted by Path Length - SPL)، يتفوق إيـفـيناف أو يتساوى مع النماذج السابقة الحديثة، مما يعكس كفاءته وقوته وتطبيقه العملي. وبفضل التوازن بين مختلف أولويات مجموعتي البيانات، يظهر أن هذا الإطار يعد أكثر توازنًا وقابلية للتعميم في تحقيق Navigation الكائن الكفء.