ปัญหาใหญ่ของการนำทางหุ่นยนต์ไปยังวัตถุเป้าหมาย (Object-Goal Navigation) คือการจัดลำดับความสำคัญของข้อมูลในสภาพแวดล้อมที่ซับซ้อน Graph-MambaNav จึงถูกพัฒนาขึ้นโดยนำสถาปัตยกรรม Mamba มาใช้กับข้อมูลในรูปแบบกราฟ เพื่อให้หุ่นยนต์สามารถประมวลผลความสำคัญของวัตถุแต่ละชิ้นตามความเกี่ยวข้องกับเป้าหมาย (Node Prioritization) ซึ่งต่างจากวิธีเดิมๆ ที่มักจะมองวัตถุทุกอย่างเท่ากันในตอนเริ่มต้น
ระบบนี้ดึงความรู้เรื่องความสัมพันธ์ระหว่างวัตถุมาจาก LLM (เช่น การที่มักจะพบ 'แปรงสีฟัน' ใกล้กับ 'อ่างล้างหน้า') เพื่อใช้เป็นแนวทางเบื้องต้นในการค้นหา จากนั้นจะใช้เลเยอร์ Spatial-Temporal ในการรวบรวมข้อมูลพื้นที่รอบตัวร่วมกับประวัติการเดินทาง ทำให้หุ่นยนต์สามารถตัดสินใจในระยะยาวได้อย่างแม่นยำ ผลการทดสอบทั้งในโลกจำลองและหุ่นยนต์จริงแสดงให้เห็นถึงประสิทธิภาพการนำทางที่ดีขึ้นและการปรับตัวเข้ากับสภาพแวดล้อมใหม่ๆ ได้ดีเยี่ยม
