香港中文大学（深圳）联合新加坡 ASTAR 等多家研究团队发布 LOGIV 框架，基于 Graph Engine 图执行引擎解决机器人长时序连续任务容易中途失败的痛点，该方案不需要重新训练底层 VLA 视觉语言动作模型，直接叠加在现有机器人策略之上，显著提升机器人在多步骤连续操作任务中的稳定性。传统机器人长任务执行存在一个核心缺陷，前面动作完成后，环境很容易发生扰动，打乱后续任务所依赖的前置条件，一旦中间某一步被干扰，整个长流程就直接中断，VLA 模型只关注当下动作，没办法追踪任务步骤之间的因果依赖关系。LOGIV 的 Graph Engine 会把整体任务拆解成带依赖关系的任务图，在执行全程持续校验每一步任务所需的前置条件，一旦环境扰动破坏依赖关系，自动定位受影响环节，做局部因果修复，而不是直接全盘放弃任务。整套框架兼容现有的 VLA、WAM 世界动作模型，无需新增可训练参数，在 RoboTwin V2、BiCoord 双臂仿真任务以及真机机器人实验中，都有效提升长任务成功率，为家庭服务机器人、柔性工业机械臂的连续作业提供新方案。
LOGIV 核心实验数据汇总
| 测试环境 | 基线方案成功率 | 叠加 LOGIV 后成功率 | 效果说明 |
|---|---|---|---|
| RoboTwin V2 仿真无扰动场景 | 基准模型均值 | 提升 10.67 个百分点 | 20 项双臂任务综合评测 |
| BiCoord 仿真无扰动场景 | 基准模型均值 | 提升 15.33 个百分点 | 多约束双臂协同操作任务 |
| 真机机器人实操任务 | 12/30 | 17/30 | 真实物理环境，存在环境扰动 |
LOGIV Graph Engine 框架核心模块
- 任务图预编译模块：把高层任务目标转化为有向任务图，记录动作之间的条件依赖、资源先后顺序
- 在线观测校验模块：机器人每执行一步，实时感知环境，校验后续任务依赖条件是否还成立
- 因果局部修复模块：检测到条件失效，沿着任务依赖链路定位需要修复的子任务，局部重规划，不重置全部任务
- 策略适配层：作为上层框架，对接 VLA、WAM 等底层机器人动作策略，不用改动原有模型权重
LOGIV 完整执行流程
- 任务解析与图构建：接收高层任务指令，编译生成带依赖关系的任务图，标记每个子任务的前置条件。
- 分步执行与状态监控：调用底层 VLA 模型执行动作，Graph Engine 持续观测环境状态，校验依赖条件有效性。
- 异常检测：当环境扰动破坏任务前置条件，触发故障检测。
- 局部因果修复：追溯任务依赖关系，只重算受影响的子任务，生成修复动作。
- 恢复执行：验证修复方案有效性，继续执行剩下任务，直到目标完成。
LOGIV 使用优势与局限清单
✅ 优势：无需训练新模型，轻量化上层框架；只做局部修复，任务中断恢复速度更快；兼容主流 VLA、WAM 机器人策略；仿真与真机场景均验证有效。
❌ 局限：适合多步骤操作类长任务，复杂动态未知环境下修复能力存在上限；依赖环境观测传感器的感知质量；目前以科研原型为主，距离大规模工业落地仍需迭代。
【常见问题】
问题 1：港中深联合 ASTAR 团队提出的 LOGIV 是什么，如何破局机器人长任务难题？
回答 1：港中深联合 ASTAR 团队提出的 LOGIV 是基于 Graph Engine 图引擎的机器人任务执行框架，用来破局机器人长任务难题；LOGIV 构建任务依赖图，持续校验环境条件，遇到扰动只做局部因果修复，避免整个长任务直接失败。
问题 2：LOGIV 的 Graph Engine 是否需要重新训练底层机器人 VLA 模型？
回答 2：LOGIV 的 Graph Engine 属于上层执行框架，不需要重新训练底层 VLA 视觉语言动作模型，直接叠加在现有的 VLA、WAM 策略之上，不新增可训练参数。
问题 3：LOGIV 在机器人真机长任务测试中，任务成功率提升情况如何？
回答 3：LOGIV 在真机机器人长任务测试里，30 组实验中成功案例从 12 次提升至 17 次；在 RoboTwin V2、BiCoord 仿真双臂长任务上，任务成功率分别提升 10.67、15.33 个百分点。
问题 4：LOGIV 解决机器人长任务的核心思路，和传统 LLM 机器人规划方案差别在哪？
回答 4：传统 LLM 机器人规划大多一次性生成完整任务序列，环境一变整体计划失效；LOGIV 依靠 Graph Engine 持续维护任务依赖图，实时校验条件，出现扰动仅修复受影响局部环节，保留已经完成的有效步骤。
【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 Engine 迈向可靠具身智能）锦囊专家
[2026-11-02]（LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks）arXiv
[2026-10-29]（港中深联合 ASTAR 发布 LOGIV 框架，解决长时序机器人任务中断问题）机器之心
[2026-10-29]（LOGIV 图引擎框架：面向长时序机器人任务的验证与局部修复）深蓝学院
【免责声明】
本文资讯仅为机器人具身智能领域科研成果动态，不构成机器人项目采购、工程落地方案建议。LOGIV 目前为科研原型框架，相关实验数据来自论文仿真与实验室真机环境，实际工业、家庭场景落地效果受传感器、硬件、环境扰动影响，框架开源协议与商用权限以团队官方论文与发布文档为准。