该论文旨在解决开放词汇目标导航(Open-Vocabulary Object Navigation, OVON)任务中，现有零样本(zero-shot)方法存在的效率问题。研究背景是：在未知环境中，智能体需要定位语言描述的目标。现有方法通常在部分观测下对密集的前沿点(frontier points)进行推理，这导致了路线选择不稳定、重复访问和多余的动作开销。
论文提出了一个名为DRIVE-Nav的结构化框架，其核心方法包括：
- 将探索过程围绕持久的方向(directions)而非原始前沿点进行组织。
- 在240度前向视野范围内，更彻底地检查遇到的方向，并将后续决策限制在仍然相关的方向上。
- 从加权的快速行进法(Fast Marching Method, FMM)路径中提取并跟踪方向候选。
- 维护代表性视图进行语义检查(semantic inspection)。
- 结合视觉语言引导的提示词增强(vision-language-guided prompt enrichment)与跨帧验证(cross-frame verification)来提高语义接地(grounding)的可靠性。
论文的核心创新点在于：
- **探索范式的转变**：从传统的基于密集前沿点(frontier-based)的探索，转变为基于持久方向(direction-based)的探索。这是最关键的创新，旨在从根本上解决重复访问和路径效率低下的问题。
- **结构化探索框架**：通过方向检查(inspection)和验证(verification)来组织探索过程，将决策空间限制在相关方向上，提高了决策的稳定性和效率。
- **语义接地增强技术**：结合了提示词增强和跨帧验证，提升了在开放词汇(open-vocabulary)场景下对语言目标的理解和定位准确性。
论文对该领域的总体贡献是：
- 提出了一个新颖高效的开放词汇导航框架DRIVE-Nav，显著提升了导航的成功率(Success Rate, SR)和路径长度加权成功率(Success weighted by Path Length, SPL)。
- 在HM3D-OVON、HM3Dv2和MP3D等多个基准测试上验证了方法的有效性，取得了领先的性能，特别是在路径效率(SPL)指标上提升显著。
- 证明了方法的可迁移性，成功部署到实体人形机器人上，并在真实世界环境中展示了其有效性。