LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks
作者: Enqiao Lu, Yuxiang Xie, Xingrui Yu, Yuyang Wang, Yipeng Gu, Zhenglin Wan, Pengfei Zhou, Wangbo Zhao, Yang You, Yuxiang Gao, Ivor Tsang
分类: cs.RO
发布日期: 2026-10-29
💡 一句话要点
提出LOGIV框架以解决长时间机器人任务的执行问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 长时间任务 机器人执行 任务图 符号规划 条件恢复 动态环境 依赖追踪 智能机器人
📋 核心要点
- 现有方法在长时间机器人任务中难以保持物理条件的有效性，导致任务执行失败。
- LOGIV框架通过显式任务图实现符号规划、验证和行动的连接，确保执行过程中的条件有效性。
- 在多项实验中，LOGIV显著提高了任务成功率和条件恢复能力，展示了其在实际应用中的有效性。
📝 摘要（中文）
智能机器人必须将高层目标转化为行动，同时保持未来步骤所需的物理条件有效。已完成的动作并不保证其效果会持续，后续的干扰可能会使剩余计划所假设的支持失效。本文提出LOGIV，一个图工程框架，通过显式任务图连接符号规划、基于观察的验证和具身行动。LOGIV将验证过的计划编译为条件支持和资源排序边，在执行过程中检查其物理有效性，并利用依赖追踪确定失败后需要恢复的内容。修复受到保留未完成动作的约束，组合的继续在执行恢复前经过符号验证。该框架在现有的视觉-语言-行动（VLA）和世界行动模型（WAM）策略之上运行，而不增加可训练组件。在RoboTwin V2和BiCoord的20个双臂任务中，LOGIV在没有注入干扰的情况下，平均任务成功率提高了10.67和15.33个百分点。在预定义扰动下，它在两个基准上对每个骨干网络实现了比三个适应性恢复基线更高的任务完成率和条件恢复率。在三个真实机器人任务中，成功试验从12/30增加到17/30。这些结果支持显式、持续检查的任务依赖关系作为可靠的智能机器人执行的实用接口。
🔬 方法详解
问题定义：本文要解决的问题是如何在长时间机器人任务中保持物理条件的有效性，以防止后续干扰导致任务失败。现有方法往往无法有效处理这种动态变化，导致执行不稳定。
核心思路：LOGIV框架的核心思路是使用显式任务图来连接符号规划、观察验证和具身行动，通过持续检查任务依赖关系来确保执行的可靠性。这样的设计使得机器人能够在执行过程中动态调整并恢复必要的条件。
技术框架：LOGIV的整体架构包括三个主要模块：符号规划模块、验证模块和执行模块。符号规划模块生成初步的任务计划，验证模块负责检查计划的物理有效性，而执行模块则负责实际的机器人动作执行。
关键创新：LOGIV的关键创新在于引入了依赖追踪机制，能够在执行失败后快速识别需要恢复的条件，并在恢复前进行符号验证。这一机制与现有方法相比，显著提高了任务执行的可靠性和灵活性。
关键设计：在设计中，LOGIV采用了条件支持和资源排序边的概念，以确保在执行过程中能够实时检查和调整计划。此外，框架不增加任何可训练组件，保持了与现有策略的兼容性。
🖼️ 关键图片
📊 实验亮点
在实验中，LOGIV在没有注入干扰的情况下，平均任务成功率提高了10.67和15.33个百分点。在预定义扰动下，LOGIV在所有基准测试中均实现了比三个适应性恢复基线更高的任务完成率和条件恢复率，显示出其优越的性能。
🎯 应用场景
LOGIV框架具有广泛的应用潜力，尤其是在复杂的机器人任务中，如自动化制造、服务机器人和救援任务等。通过提高任务执行的可靠性，LOGIV能够在动态环境中更好地适应变化，提升机器人在实际应用中的表现和效率。
📄 摘要（原文）
Agentic robots must turn a high-level goal into actions while keeping the physical conditions needed for future steps valid. A completed action does not ensure that its effects will persist: a later disturbance can invalidate support that the remaining plan still assumes. We present LOGIV, a graph engineering framework for agentic robot execution that uses an explicit task graph to connect symbolic planning, observation-based verification, and embodied action. LOGIV compiles a validated plan into condition-support and resource-ordering edges, checks their physical validity during execution, and uses dependency tracing to determine what must be restored after a failure. Repair is constrained by retained unfinished actions, and the combined continuation is symbolically validated before execution resumes. The framework operates above existing Vision-Language-Action (VLA) and World Action Model (WAM) policies without adding trainable components. Across 20 dual-arm tasks from RoboTwin~V2 and BiCoord with three execution backbones, LOGIV improves mean task success without injected disturbances by 10.67 and 15.33 percentage points, respectively. Under predefined perturbations, it achieves higher task completion and condition restoration than three adapted recovery baselines for every backbone on both benchmarks. On three real-robot tasks, successful trials increase from 12/30 to 17/30. These results support explicit, continuously checked task dependencies as a practical interface for reliable agentic robot execution.