分層開放詞彙目標導航（Hierarchical Open-Vocabulary Object Navigation, OVON）要求智能體在未見過的環境中，僅依靠自由形式的自然語言指令，完成從場景、房間、區域到實例的多層級目標定位與導航。雖然已有工作 LangMap 對這一任務進行了形式化定義，但在部分觀測條件下，僅憑單次視角往往難以同時滿足空間錨定與目標驗證的需求——空間定位需要跨視角的、可持續積累的環境級證據，而目標驗證則需要清晰且具有區分度的候選視圖。
針對這一挑戰，來自研究團隊的 Xuetong Pei 等七位作者提出了 SAP-Nav。這是一種完全在線、零樣本的導航框架，核心思想是將空間語義表示與主動感知相結合。智能體在探索過程中，通過主動獲取的房間視角增量式構建一種可查詢的空間語義表示（Queryable Spatial-Semantic Representation）。藉助該表示，智能體可以從任何已探索的位置發出空間語義查詢，而不必依賴預先構建的場景地圖或離線訓練。
為了在部分觀測下做出可靠判斷，SAP-Nav 進一步引入了主動視點驗證（Active Viewpoint Verification）機制。該機制會評估當前觀測是否已經包含足夠證據來確認或排除目標候選；如果證據不足，智能體會先重新定位到一個信息量更豐富的視點，再基於類別與屬性約束對候選目標進行驗證。這種“先觀察、後確認”的策略，避免了在模糊視角下貿然決策。
SAP-Nav 雖然面向層級 OVON 設計，但同樣適用於標準類別級 OVON，且無需針對特定任務進行微調，也不需要預計算的場景地圖，使其具備很強的泛化性。在 LangMap 和 HM3D-OVON 兩個基準上的實驗顯示，SAP-Nav 取得了總體最優性能，尤其在區域級導航任務上，其成功率（SR）相比基於訓練的方法提升了 12.2%。此外，真實機器人平台上的實驗也驗證了該框架在實際物理環境中的可行性。
論文以 arXiv:2608.12707 編號於 2026 年 8 月 13 日提交，作者團隊承諾在論文被接收後公開代碼。該工作為開放詞彙目標導航提供了一種無需重新訓練、即時可部署的解決思路，有望推動服務機器人在未知環境中理解並執行自然語言導航指令。