香港中文大学（深圳）联合新加坡 ASTAR 等团队发布 LOGIV 框架，这套方案基于图引擎（Graph Engine）搭建显式任务图，把符号规划、视觉观测校验、机器人实体动作串在一起，专门解决机器人长时序任务容易被环境扰动打断、出错之后不知道该修复哪一步的痛点，LOGIV 不用额外训练新模型，能够直接叠加在现有的 VLA 视觉语言动作模型、世界动作模型之上，在仿真双臂任务和真实机器人实验里，任务成功率都有明显提升。现在很多具身机器人做长任务，最大麻烦就是环境随时会变，前面步骤做完的状态可能被意外干扰破坏，后面的规划还在假设状态不变，一旦出错就直接任务失败，传统方案要么整体重规划，浪费大量算力，要么找不到故障的因果依赖关系，不知道该修复哪些前置条件。LOGIV 的核心思路就是把整个任务拆成带依赖关系的任务图，每一步都标注执行前提、资源约束，执行过程持续校验物理状态，一旦检测到异常，沿着图追溯依赖关系，只做局部修复，修复完成再做符号校验，确认没问题再继续往下执行。整套流程先是把高层目标编译成带依赖边的任务图，运行时持续观测校验，出现扰动触发局部修复，校验通过后继续执行，以此提升长任务在动态环境里的稳定性。
一、LOGIV 框架基础信息清单
- 项目名称：LOGIV（Graph-Verified Execution with Causal Local Repair）
- 研发团队：港中深、新加坡 A*STAR 等联合团队
- 核心组件：Graph Engine 图引擎、显式任务图、因果局部修复模块
- 适配底层：VLA 视觉语言动作策略、WAM 世界动作模型
- 特点：无新增可训练参数，属于上层执行框架，不改动底层模型
- 测试仿真基准：RoboTwin V2、BiCoord，合计 20 项双臂操作任务
- 真实机器人实验：3 项双臂实操任务
- 核心能力：长时序任务状态校验、扰动感知、因果追溯、局部修复
二、LOGIV 和传统长任务方案对比表
| 方案类型 | 故障处理方式 | 算力开销 | 依赖追踪 | 适用场景 |
|---|---|---|---|---|
| 传统端到端 VLA | 任务失败后整体重规划 | 高 | 无显式依赖，很难定位问题 | 简单短任务、环境稳定场景 |
| 通用重规划框架 | 从头重新生成完整任务序列 | 较高 | 依赖简单时序，缺少因果关系 | 扰动少、任务规模不大的场景 |
| LOGIV（Graph Engine） | 图追溯依赖，仅局部修复失效条件 | 低 | 显式任务图，记录条件、资源依赖 | 动态环境、多步骤长时序机器人操作 |
三、LOGIV 依托 Graph Engine 的完整执行流程
- 任务编译：将高层任务目标，编译成由条件节点、支撑边、资源顺序边构成的任务图，存入 Graph Engine。
- 在线观测校验：机器人每完成一步动作，Graph Engine 对照当前视觉观测，检查后续步骤依赖的物理条件是否依然成立。
- 扰动检测：如果环境变化、物体移位等扰动破坏了依赖条件，触发故障标记。
- 因果依赖追溯：沿着任务图反向溯源，定位只需要恢复的局部条件，不推翻全部已经完成的动作。
- 局部修复 + 符号校验：执行修复动作，修复完成后，Graph Engine 再次做符号验证，确认依赖条件全部满足。
- 继续推进任务：校验通过，机器人从断点位置继续执行剩下的子任务，直到整体目标完成。
四、实验效果数据
- 无额外扰动场景：在 RoboTwin V2、BiCoord 两套基准上，平均任务成功率分别提升 10.67、15.33 个百分点。
- 预设扰动场景：对比 3 种主流恢复基线方案，LOGIV 在任务完成率、条件恢复能力上表现更好。
- 真实机器人测试：3 组双臂任务，成功试次从 30 次里 12 次提升到 17 次。
五、LOGIV 的优势与局限
优势
- 即插即用，不用重新训练底层 VLA 模型，落地成本低。
- 基于图引擎做依赖管理，故障定位精准，修复只改动必要环节，效率更高。
- 持续校验物理状态，适配家庭、办公这类动态变化的真实环境。
局限
- 需要提前构建任务依赖图，复杂开放任务的图构建成本会上升。
- 只负责执行层的校验和修复，不替代高层任务规划本身。
- 目前验证集中在双臂操作任务，人形机器人、移动机器人还需要更多测试。
【相关 FAQ】
问题 1：港中深联合 ASTAR 等团队提出 LOGIV，LOGIV 靠什么解决机器人长任务难题？
回答 1：港中深联合 ASTAR 等团队提出 LOGIV，LOGIV 依托 Graph Engine 图引擎构建显式任务图，持续校验任务依赖条件，出现扰动后做因果追溯和局部修复，解决机器人长任务容易被环境干扰失败的问题。
问题 2：港中深联合 ASTAR 等团队提出 LOGIV，LOGIV 需要重新训练机器人底层模型吗？
回答 2：港中深联合 ASTAR 等团队提出 LOGIV，LOGIV 是上层执行框架，不需要新增可训练参数，可以直接叠加在 VLA、WAM 这类现有机器人策略上。
问题 3：港中深联合 ASTAR 等团队提出 LOGIV，LOGIV 在真实机器人上的测试效果怎么样？
回答 3：港中深联合 ASTAR 等团队提出 LOGIV，在 3 项真实双臂机器人任务测试中，成功试次从 30 次里面 12 次提升到 17 次。
问题 4：港中深联合 ASTAR 等团队提出 LOGIV，LOGIV 的局部修复和整体重规划有什么区别？
回答 4：港中深联合 ASTAR 等团队提出 LOGIV，整体重规划会推翻全部任务序列，而 LOGIV 通过 Graph Engine 追溯依赖，只修复被破坏的局部条件，算力开销更低，保留已经完成的有效步骤。
问题 5：港中深联合 ASTAR 等团队提出 LOGIV，LOGIV 主要针对哪一类机器人任务？
回答 5：港中深联合 ASTAR 等团队提出 LOGIV，主要面向长时序双臂操作任务，适合环境容易发生扰动、步骤多、依赖关系复杂的机器人操作场景。
【参考资料】
[2026-11-02]（LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks）arXiv
[2026-11-05]（港中深联合 ASTAR 发布 LOGIV 框架，图引擎提升长任务鲁棒性）机器之心
[2026-11-06]（LOGIV 图验证执行框架解读，具身智能长任务新方案）智源社区
[2026-11-07]（长时序机器人任务痛点：扰动下的依赖校验与修复）新智元
[2026-10-20]（VLA 视觉语言动作模型在长任务中的稳定性瓶颈）量子位
【免责声明】
本文为港中深联合 ASTAR 等团队 LOGIV 机器人长任务框架相关科研资讯整理，不构成机器人项目选型、技术落地的决策建议。LOGIV 目前以学术预印本和实验验证为主，尚未大规模商用，框架性能、适配范围以论文原文和团队后续公开实验数据为准。