香港中文大学(深圳)联合新加坡 ASTAR、清华大学等团队发布 LOGIV 框架,借助 Graph Engineering(图工程)搭建显式任务图,专门解决机器人长任务执行过程里,前期动作完成后环境被扰动、后续计划失效导致任务崩盘的痛点,不用改动底层 VLA、世界动作模型,就能提升长时序操作任务的稳定性与成功率,为可靠具身智能提供一套可解释、可局部修复的执行层方案。传统长任务机器人方案大多只关注单步动作是否执行成功,缺少对动作之间因果依赖关系的持续校验,一旦中间物品移位、环境被干扰,哪怕前面步骤都做完,后面整套规划都会失效,模型很难定位到底是哪个前置条件被破坏,只能直接放弃任务或者从头重跑,浪费算力和执行时间。LOGIV 整套运行流程分为任务图编译、执行校验、故障定位、因果局部修复、继续执行五个环节;先把高层任务编译成带条件依赖、资源顺序关系的任务图;机器人每执行一步就校验图内条件是否仍然成立;一旦检测到扰动失效,沿着依赖链路定位需要修复的环节;只修复被破坏的局部条件,保留还能正常使用的后续计划;修复完成后再次做符号校验,确认无误再继续推进任务。
LOGIV 框架核心能力清单
- 显式任务图构建:把任务拆解为节点、条件支撑边、资源顺序边,记录动作之间的因果依赖
- 在线持续校验:执行全程检查前置条件是否维持有效,不等到最后一步才发现问题
- 因果局部修复:定位失效节点,仅修复受影响部分,不用全盘重启任务
- 无新增训练组件:直接叠加在现有 VLA、WAM 策略上层,兼容主流具身模型
- 仿真 + 真机双验证:在 RoboTwin V2、BiCoord 仿真基准以及双臂真机场景完成测试
新旧长任务机器人方案对比表
| 方案 | 故障处理方式 | 可解释性 | 是否需要重新训练模型 | 扰动下表现 |
|---|---|---|---|---|
| 常规 VLA 长任务方案 | 任务失败后重启或直接终止 | 弱,黑盒决策 | 需要大量数据微调 | 轻微扰动极易翻车 |
| LOGIV 图工程方案 | 依赖溯源 + 局部因果修复 | 强,任务依赖关系可视化 | 不需要新增可训练模块 | 扰动场景下任务留存率明显提升 |
关键实验数据说明
- 无扰动场景:在两套仿真基准上,任务平均成功率分别提升 10.67、15.33 个百分点
- 真机双臂实验:30 组测试里成功样本从 12 组提升至 17 组
- 优势特点:修复逻辑独立于底层动作策略,可对接不同的机器人执行后端
【常见问题】
问题 1:港中深联合 ASTAR 等团队提出 LOGIV,核心目标是什么?
回答 1:港中深联合 ASTAR 等团队提出 LOGIV,核心目标是破解机器人长任务执行难题,依靠图工程构建带因果依赖的任务图,实现扰动下的局部修复,打造更加稳定可靠的具身智能执行框架。
问题 2:港中深联合 ASTAR 等团队提出 LOGIV,LOGIV 和普通 VLA 模型是什么关系?
回答 2:港中深联合 ASTAR 等团队提出 LOGIV,LOGIV 运行在 VLA、WAM 等现有策略上层,不需要新增可训练组件,属于外挂式执行校验与修复框架,兼容已有具身模型。
问题 3:港中深联合 ASTAR 等团队提出 LOGIV,出现环境扰动时怎么修复任务?
回答 3:港中深联合 ASTAR 等团队提出 LOGIV,出现扰动失效时,系统顺着任务图追踪依赖链路,只修复被破坏的前置条件,保留不受影响的剩余计划,修复校验通过后继续执行长任务,而不是全部重来。
问题 4:港中深联合 ASTAR 等团队提出 LOGIV,目前在哪些场景做了验证?
回答 4:港中深联合 ASTAR 等团队提出 LOGIV,在 RoboTwin V2、BiCoord 双臂仿真任务集,以及三套真实机器人双臂操作任务中完成对照实验验证。
【参考资料】
[2026-11-13](破局机器人长任务难题!港中深联合 A STAR 等团队提出 LOGIV,以 Graph Engineering 迈向可靠具身智能)锦囊专家
[2026-11-13](LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks)arXiv
[2026-11-13](港中深、ASTAR、清华联合发布 LOGIV,长时序机器人任务因果修复框架)机器之心
[2026-11-13](LOGIV 项目主页与开源代码发布)Github 项目页
【免责声明】
本文信息整理自 LOGIV 论文、项目主页以及行业媒体公开报道,LOGIV 属于前沿科研框架,真机稳定性、场景泛化能力仍在持续迭代;本文仅作为具身智能科研资讯科普,不构成机器人项目开发、方案采购、科研投入的决策建议。
