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, Zhirui Fang, Xinrun Xu, Zhenglin Wan, Pengfei Zhou, Wangbo Zhao, Yang You, Yuxiang Gao, Ivor Tsang
分类: cs.RO
发布日期: 2026-10-29 (更新: 2026-10-30)
备注: 14 pages. Updated related work, references, author list and affiliations
💡 一句话要点
提出LOGIV框架以解决长时间机器人任务中的执行可靠性问题
🎯 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 任务依赖 图工程 物理验证 故障恢复 智能机器人 动态环境
📋 核心要点
- 现有方法在长时间机器人任务中难以保证执行的可靠性，尤其是在面对环境干扰时。
- LOGIV框架通过显式任务图连接规划、验证和执行，确保任务依赖关系的持续有效性。
- 实验结果显示，LOGIV在多个任务中显著提高了成功率，尤其是在面对扰动时表现优异。
📝 摘要（中文）
代理机器人必须将高层次目标转化为动作，同时保持未来步骤所需的物理条件有效。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依赖的支持失效。本文提出LOGIV，一个图工程框架，利用显式任务图连接符号规划、基于观察的验证和具体行动。LOGIV将经过验证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，并通过依赖追踪确定故障后需要恢复的内容。修复受到保留未完成动作的约束，组合的继续在恢复执行前进行符号验证。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，平均任务成功率分别提高了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代理机器人执行的实用接口。
🔬 方法详解
问题定义：本文旨在解决长时间机器人任务中执行可靠性的问题，现有方法在环境干扰下容易导致计划失败，缺乏有效的恢复机制。
核心思路：LOGIV框架通过构建显式任务图，连接符号规划与物理验证，确保在执行过程中持续检查任务依赖关系，从而提高执行的可靠性。
技术框架：LOGIV的整体架构包括任务图的构建、物理有效性检查、依赖追踪和故障恢复四个主要模块。任务图用于表示任务的条件支持和资源排序，执行过程中实时验证其有效性。
关键创新：LOGIV的创新在于引入了显式的任务依赖关系和基于图的验证机制，使得机器人能够在执行过程中动态调整计划，恢复未完成的动作。与传统方法相比，LOGIV在处理环境扰动时表现出更高的灵活性和可靠性。
关键设计：LOGIV在设计上不增加可训练组件，而是利用现有的VLA和WAM策略，确保框架的通用性和适应性。关键参数设置包括条件支持的定义和资源排序的优化，以实现高效的执行和恢复。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LOGIV在20个双臂任务中，任务成功率分别提高了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更高的任务完成率和条件恢复率，成功试验从12/30提升至17/30，显示出显著的性能优势。
🎯 应用场景
LOGIV框架具有广泛的应用潜力，特别是在复杂环境中的机器人任务执行，如工业自动化、服务机器人和灾难救援等领域。其可靠的执行机制能够提高机器人在动态环境中的适应能力，推动智能机器人技术的发展。
📄 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.