香港中文大学（深圳）联合新加坡 ASTAR 等研究团队推出 LOGIV，全称 Graph-Verified Execution with Causal Local Repair，这套基于图工程的框架专门解决具身智能里的长时序机器人任务痛点，传统 VLA 视觉语言行动模型做连续长任务时，很容易被环境扰动打乱前置条件，前面动作做完之后环境一变，后面整套计划直接失效，LOGIV 用显式任务图把符号规划、观测校验、机器人执行串在一起，不用额外训练新模型，直接叠加在现有的 VLA、世界动作模型上，提升长任务成功率，让机器人在开放环境里自主完成一连串复杂操作。LOGIV 的核心思路是把任务编译成带依赖关系的任务图，标注清楚每个子任务需要满足的前置条件、资源顺序约束，机器人一边执行一边持续校验图上条件是否成立；一旦环境被扰动、某个条件失效，框架顺着依赖链路定位只需要局部修复的环节，而不是把整个长任务从头重来，修复完成之后还要再做一次符号校验，确认整条链路合法才继续跑。团队在 RoboTwin V2、BiCoord 两套双臂仿真基准、以及三台真实机器人任务上做测试，无扰动场景下任务平均成功率最高提升 15.33 个百分点，带外部扰动场景对比旧方案，任务完成率、状态恢复能力明显更强，真机实验里成功试次从 30 次里 12 次提升到 17 次。
一、LOGIV 框架基础信息清单
- 项目名称：LOGIV（Graph-Verified Execution with Causal Local Repair）
- 牵头单位：香港中文大学（深圳）
- 合作单位：新加坡 A*STAR 等团队
- 核心技术：Graph Engineering 图工程、因果局部修复、任务依赖图在线校验
- 适配底层：VLA 视觉语言行动模型、WAM 世界动作模型，无需新增可训练参数
- 仿真测试集：RoboTwin V2、BiCoord，合计 20 项双臂操作任务
- 真机验证场景：3 项真实双臂机器人操作任务
- 核心能力：长时序任务在线校验、扰动后局部修复、任务依赖追踪
二、传统 VLA 方案 vs LOGIV 方案对比表
| 项目 | 传统 VLA 长任务执行 | LOGIV 图工程框架 |
|---|---|---|
| 任务依赖表达 | 隐式，模型内部记忆，没有显式记录 | 显式任务图，标注条件、资源依赖关系 |
| 故障处理方式 | 扰动出现大概率任务崩盘，重新从头规划 | 追踪因果依赖，只修复受影响局部环节 |
| 是否需要重新训练模型 | 模型本身需要大量长时序数据微调 | 直接外挂，不改动底层 VLA/WAM 权重 |
| 校验时机 | 大多只在子任务开始前简单检查 | 全程持续观测、实时校验图上所有约束条件 |
| 适合场景 | 短序列、环境稳定的简单操作 | 家庭、办公等动态开放环境长流程任务 |
三、LOGIV 图工程核心执行步骤
- 把高层任务规划编译成结构化任务图，生成条件支撑边、资源顺序边，记录子任务之间的依赖；
- 机器人执行每一步动作，同步通过视觉观测校验任务图里所有前提条件；
- 检测到扰动、条件失效，沿着任务图追溯因果依赖，锁定必须修复的状态；
- 执行局部修复动作，修复完成后再次做符号校验，确认整条链路合法；
- 校验通过，从断点位置继续执行剩余任务，不用重置全部流程。
四、当前方案的局限
- 依赖上层符号规划输出合理的任务图，规划本身出错时框架无法兜底；
- 复杂动态、大量物体频繁变动场景，观测校验开销会上升；
- 目前验证以双臂操作任务为主，人形机器人、移动机器人场景还需要进一步验证；
- 属于执行层增强方案，不能解决 VLA 底层本身的感知、动作幻觉根源问题。
【相关 FAQ】
问题 1：港中深联合 ASTAR 推出 LOGIV 框架，依托图工程解决机器人长任务、打造可靠具身智能，LOGIV 到底解决机器人什么痛点？
回答 1：港中深联合 ASTAR 推出 LOGIV 框架，依托图工程解决机器人长任务、打造可靠具身智能，LOGIV 解决长时序具身任务里环境扰动导致计划失效的问题，机器人做一连串操作时环境一变，传统方案容易直接失败，LOGIV 靠任务图定位故障、局部修复，提升长任务稳定性。
问题 2：港中深联合 ASTAR 推出 LOGIV 框架，依托图工程解决机器人长任务、打造可靠具身智能，LOGIV 为什么叫图工程（Graph Engineering）？
回答 2：港中深联合 ASTAR 推出 LOGIV 框架，依托图工程解决机器人长任务、打造可靠具身智能，LOGIV 把任务约束、前置条件、资源依赖显式构建成任务图，基于这张图做在线校验和因果追溯，这套结构化任务图谱的设计与调度思路就是图工程。
问题 3：港中深联合 ASTAR 推出 LOGIV 框架，依托图工程解决机器人长任务、打造可靠具身智能，使用 LOGIV 要不要重新训练机器人基础模型？
回答 3：港中深联合 ASTAR 推出 LOGIV 框架，依托图工程解决机器人长任务、打造可靠具身智能，LOGIV 是外挂式执行框架，不需要新增训练参数，可以直接对接市面上现有的 VLA、世界动作模型。
问题 4：港中深联合 ASTAR 推出 LOGIV 框架，依托图工程解决机器人长任务、打造可靠具身智能，LOGIV 真机测试效果怎么样？
回答 4：港中深联合 ASTAR 推出 LOGIV 框架，依托图工程解决机器人长任务、打造可靠具身智能，在三项真机双臂任务中，成功试次从 30 次中的 12 次提升至 17 次，在仿真基准上无扰动场景最高把成功率提升 15.33 个百分点。
【参考资料】
[2026-10-22]（LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks）arXiv
[2026-11-10]（港中深联合 ASTAR 发布 LOGIV，图工程提升长时序具身任务可靠性）智源社区
[2026-11-11]（破解长任务崩溃难题！LOGIV 为 VLA 机器人增加可验证执行层）机器之心
[2026-11-11]（具身智能长时序任务新进展：因果局部修复的图验证执行框架）新智元
【免责声明】
本文基于 arXiv 论文、AI 科研媒体公开解读整理，仅作为科研科普内容，不构成产品落地、项目投资建议；LOGIV 目前属于学术研究成果，尚未商用，在人形机器人、工业场景的泛化效果还需要更多实验验证；指标数据来自论文内仿真与真机实验，实际效果受底层 VLA 模型、传感器、机器人硬件影响。