破局机器人长任务难题！港中深联合A* STAR等团队提出LOGIV，以Gragh Engineering迈向可靠具身智能

在机器人操作研究中，视觉语言动作模型（Vision-Language-Action，VLA）与世界动作模型（World Action Model，WAM）为机器人提供了不同的动作生成路径。但当任务从一次抓放延伸到连续搭建与双臂协同，决定成败的就不只是眼前这个动作能否完成，还包括此前建立的条件能否一直支撑后续执行。

一个动作明明已经成功，为什么整项任务还是会在下一步失败？机器人真正缺少的，究竟是更强的动作模型，还是组织这些动作的系统？

围绕这一问题，香港中文大学（深圳）联合新加坡 A*STAR、清华大学等机构的研究团队提出 LOGIV，将 Graph Engineering 引入 Agentic Robot 的执行架构。它在已有 VLA 与 WAM 策略之上构建显式任务图，把动作之间的条件依赖和资源顺序转化为可以检查、追踪与修复的执行依据。

LOGIV 将系统的关注点从某个动作是否完成，推进到后续计划是否仍然成立。通过图依赖验证与因果局部修复，机器人可以在发现条件失效后恢复必要支撑，保留仍可使用的计划，再继续向目标推进。无需为这一层增加新的可训练组件，任务图就能真正参与机器人的执行决策。

• 论文名称：LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks
• 论文全文：https://arxiv.org/abs/2610.40016
• 项目主页：https://enqiao-lu.github.io/logiv-project/
• 代码与演示：https://github.com/Enqiao-Lu/LOGIV

破局长程执行，从动作到依赖

让机器人搭一座积木桥，听起来并不复杂：摆好两侧支撑，拿起横梁，再把横梁放上去。但如果机器人拿起横梁时，不小心碰歪了刚才摆好的支撑呢？

抓取动作成功了，前面的摆放动作也确实完成过，可接下来那一步，已经没有了成立的条件。继续照着计划走，机器人很可能把横梁放在一个已经不存在的支点上。这正是长程物理交互中的一个隐蔽问题。动作完成是一段历史，动作产生的条件却可能随时失效。如果系统只记录任务进度，而不检查这些条件是否仍然成立，过去的成功就可能掩盖当前的风险。

如果把长任务写成一张待办清单，机器人知道的是先做什么、后做什么。如果把它组织成一张任务图，机器人还能追问，下一步到底依赖什么，哪个条件一旦失效，后面的哪些动作就不能继续？LOGIV 据此将 Graph Engineering 落到执行层，把任务组织成包含两类依赖的有向无环图。

• 任务节点：对应抓取、放置等高层子任务，也包括任务的起点和最终目标。
• 条件支撑边：记录哪个动作建立了后续动作需要的条件，例如支撑块到位之后才能安装横梁。
• 资源顺序边：记录机械臂、夹爪等资源的使用顺序，以及动作之间已建模的冲突。

这张图既连接规划与动作，也为失败恢复提供依据。支撑块移位后，系统可以沿着失效的条件支撑关系追踪后续影响，而不必把整个任务都当成失败。

图 1：支撑块被碰歪后，LOGIV 恢复失效的支撑条件，并保留仍可使用的后续横梁操作。图源为论文 Fig. 1。

连接 VLA 与 WAM，搭起执行闭环

如果 Graph Engineering 负责组织长任务，底层动作又由谁来完成？LOGIV 给出了清晰的分工。上层根据当前状态和任务依赖选择子任务，将高层动作转成自然语言指令。底层策略结合指令与视觉观测执行操作，再由上层检查动作效果和剩余计划所需的条件。一次动作的结束，会成为下一轮判断的起点。

论文分别搭配三种执行模型，检验这一架构能否跨越不同策略路线。

• π0.5 作为 VLA 执行模型，将视觉观测与任务指令映射为机器人动作。
• AHA-WAM 与 Light-WAM 作为两种 WAM 执行模型，在各自的策略架构下完成上层指定的操作。

如图 2 所示，LOGIV 在 VLA 与 WAM 之上构建独立的任务组织与恢复层，使不同执行策略能够接入统一的规划、验证与修复闭环，无需将它们重新训练成一个大模型，也不为框架额外引入可训练组件。该架构已在经过任务微调的 π0.5、AHA-WAM 和 Light-WAM 上得到验证，其依赖检查与局部修复机制可以跨策略复用，接入新任务时则需匹配相应的任务模型、感知信息与执行接口。

图 2：LOGIV 位于底层 VLA 或 WAM 策略之上，在动作执行前后检查状态、节点和图依赖，确认失败后进入修复流程。图中的人工协助属于未来评估方向，论文报告的实验未启用人工协助。图源为论文 Fig. 3。

在具体实现上，LOGIV 将图 2 所示的架构落实为任务图构建、在线验证与局部修复三个相互衔接的环节。

1. 任务图构建：将动作序列编译为依赖图

系统首先使用预定义的 PDDL 任务模型描述动作前提、预期效果与可用对象，由 Fast Downward 生成动作序列，再交给独立验证工具 VAL 检查动作参数、前置条件和最终目标，只有通过验证的计划才会被编译成任务图，明确后续动作依赖哪些条件，以及这些条件由哪些动作提供。

2. 在线验证：持续检查动作与支撑条件

进入执行阶段，LOGIV 通过 State Gate、Node Gate 和 Graph Gate 将现场观测与任务图联系起来，其中 State Gate 结合视觉观测、机器人状态和执行器反馈确认当前任务事实，Node Gate 在动作执行前后分别检查前置条件与预期效果，Graph Gate 则进一步核查任务依赖，判断已经完成的动作是否仍为剩余计划提供有效支撑。三者共同构成动作执行前后的验证流程，使系统既能判断当前操作是否成功，也能发现影响后续任务的条件变化。

例如，机器人即使成功抓起横梁，只要此前摆好的支撑块发生移位，Graph Gate 仍会识别出后续安装所需的条件已经失效，并触发修复，而不会仅凭当前动作的成功记录继续执行。对于视觉证据不足、暂时无法确认的状态，系统会通过重新观察或调整视角补充信息，若在观测预算内仍无法确定，就停止执行，避免把不确定的状态误当作满足条件。

3. 局部修复：恢复必要条件，保留有效计划

当确认失败的时候，LOGIV 沿任务图追踪受影响的依赖，并将受到影响的动作与确实需要替换的动作区分开来，尽量保留仍可使用的未完成计划。以搭桥为例，支撑块移位并不意味着安装横梁这一后续步骤本身有问题，因此系统可以保留相关操作，从最终目标出发，沿保留动作的逆序推导恢复执行前必须满足的条件，再根据当前状态生成相应的修复片段。

生成修复片段后，LOGIV 会将其与保留计划合并，通过 VAL 检查完整的后续计划能否在符号模型下达到最终目标，而不是仅确认眼前的失效条件是否得到恢复。如果验证未通过，系统会根据失败位置在当前范围内重新规划，或扩大需要替换的动作范围，待验证通过后再重建任务图并恢复执行，从而把局部问题的处理与完整任务的推进连接起来。

实验结果，多种底层策略都能受益

研究团队在 RoboTwin V2 和 BiCoord 中各选取 10 个双臂任务，共计 20 个任务。每个任务使用 10 个预定义初始状态，并分别评估无人工注入扰动与预定义扰动两种设置。

图 3：不同底层策略与在线纠正方法的实验结果。C 表示无人工注入扰动下的完整任务成功率，P 表示预定义扰动下的完整任务成功率，R 表示有效可恢复事件中的失效条件恢复率，单位均为百分比。图源为论文 Table I。

1. 有无扰动均受益，成功率最高提升 28 个百分点

如图 3 的 C 列所示，在未人工注入扰动的设置中，三种底层策略接入 LOGIV 后，两个基准上的完整任务成功率均有提升。三个模型的平均成功率在 RoboTwin V2 上从 71.67% 提升至 82.33%，在 BiCoord 上从 42.33% 提升至 57.67%，按未取整均值计算，分别增加 10.67 个百分点和 15.33 个百分点。这说明 LOGIV 的作用并不限于应对外部干扰，正常执行中的状态偏差与动作失误，同样可以通过图验证与在线修复得到处理，从而提高完整任务的完成率。

当环境真的偏离计划，LOGIV 能否帮助机器人继续完成任务？研究团队为每个任务固定扰动类型与触发条件，在预定义事件发生时注入可恢复扰动，结果见图 3 的 P 列，其中 π0.5 在 RoboTwin V2 上的成功率从 32% 提升到 60%，增加了 28 个百分点。与 VeriGraph-PDDL、LERa-PDDL 和 VLM-RP-BT 三个适配后的恢复基线相比，LOGIV 在两套基准与三种底层策略的全部组合中，都取得了更高的扰动任务完成率和失效条件恢复率。图 3 的 R 列衡量有效可恢复事件中，失效条件在预算内得到恢复的比例，与 P 列的完整任务成功率分别统计，从局部条件能否修复和最终目标能否完成两个层面检验恢复机制。

2. 图检查与局部修复，各有贡献

这些提升只是来自多做几次检查，还是图结构确实发挥了作用？研究团队进一步拆解了框架中的关键环节。在 RoboTwin V2 的 π0.5 设置下，去掉 Graph Gate 后，扰动任务成功率从 60% 降到 48%。这说明只盯住眼前动作，会漏掉影响后续执行的依赖失效。把局部修复换成对全部剩余动作重新规划后，平均重复执行的有效已完成动作，从 0.2 次增加到 1.6 次，扰动任务成功率则降到 54%。

重做得更多，不一定完成得更好。这组结果支持了 LOGIV 的设计选择，先弄清后续任务依赖什么，再决定应该修哪里。

图 4：图依赖检查、局部修复与计划验证的消融结果。Full 为完整框架，-Graph 表示移除图检查，-Local 表示改为重新规划全部剩余动作。图源为论文 Fig. 5。

走向真机，让执行闭环经受物理检验

研究团队还在 Astribot S1 双臂机器人和由两台 AgileX Piper 机械臂组成的平台上，测试了番茄抓取、双臂搭积木和网线插接等任务，证明 LOGIV 不仅在仿真中有效，在落地的场景下也可以展现出比较好的效果。

先看一段双臂搭积木的真实任务演示。

视频链接：https://mp.weixin.qq.com/s/QtNtKt_vlgVs9GoNSgU_sQ

视频：Astribot S1 双臂搭积木。

搭积木与前面的搭桥例子有相同的难点。后续伸手动作可能碰歪已经摆好的积木，导致接下来需要的支撑条件失效。LOGIV 检查到这类变化后，会修复相应条件，并保留仍然有效的工作。

图 5：真实机器人任务的成功次数对比。每个任务、每种配置进行 10 次试验，合计每种配置 30 次，未人工注入扰动。数据来自论文 Table II。

整体成功率从 40.0% 提升到 56.7%，三个任务均观察到改善。从空抓与提前松手，到积木支撑条件被破坏，真实执行中的偏差也为这套图验证与修复机制提供了检验场景。

结语，机器人需要怎样的执行系统？

由于 VLA 和 WAM 的动作能力不断地被提高，Agentic Robot 的研究有一个无法避开的问题亟待回答，怎么让这些能力在不断变化的环境里，组成一项能够继续推进的完整任务？LOGIV 将 Graph Engineering 从任务表示推进到在线执行。LOGIV 用任务图记录每一步需要哪些条件，并在执行时检查这些条件是否还成立。发现问题后，系统会找出需要修复的地方，保留还能继续用的计划，修复后再接着做。这样可以减少不必要的重做，帮助机器人用现有的动作模型，更可靠地完成长任务。

机器人需要更会做动作的模型，也需要能在变化中把事情接着做完的系统。LOGIV 正在把后一个问题，变成可以构建、验证和评估的图工程。