長期タスク実行2026/10/29arXiv:2610.40016

LOGIV: 長期ロボットタスクのためのグラフ検証付き実行と因果的局所修復

LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks

タスクグラフで計画・検証・実行を結び、失敗時に依存関係をたどって必要な条件だけを局所修復するフレームワークを提案。既存のVLA/WAMポリシーの上で動作し、双腕タスクや実機で成功率を向上させた。

詳しい要約

1. どんなもの？

- エージェント型ロボットの長期タスク実行フレームワーク LOGIV を提案 - 高レベル目標を行動列に変換し、将来ステップに必要な物理条件の持続性を保証 - 明示的な task graph で symbolic planning・観測ベース検証・embodied action を接続 - 実行中の失敗に対し dependency tracing で復元対象を特定し、因果的局所修復を行う - 既存の VLA / WAM ポリシーの上位層で動作し、学習可能な追加要素を持たない

2. 先行研究と比べてどこがすごい？

- 従来の計画実行は「行動完了＝効果持続」を暗黙に仮定し、後続の外乱で support が失われる問題を扱いにくい - LOGIV は condition-support / resource-ordering edges を計画から生成し、実行中に物理的妥当性を継続検証 - 失敗時に全再計画ではなく、未完了行動を保持したまま依存関係に基づく局所修復を行う点が特徴 - 修復後の継続を実行前に symbolically validate する点も先行手法との差異(具体的比較対象は要旨からは不明)

3. 技術・手法の肝は？

- 検証済み計画を task graph にコンパイルし、condition-support edges と resource-ordering edges を付与 - 実行中に観測ベースで各 edge の物理的妥当性をチェック - 失敗時は dependency tracing で影響範囲を特定し、保持された未完了行動の制約下で修復 - 修復と継続を結合した計画を symbolically validate してから実行再開 - VLA / WAM ポリシーをバックボーンとして利用し、trainable components を追加しない

4. どうやって有効だと検証した？

- RoboTwin V2 と BiCoord の dual-arm タスク計20件、3種の execution backbone で評価 - 外乱なし設定で平均タスク成功率がそれぞれ +10.67、+15.33 percentage points 向上 - 定義済み perturbations 下で、3つの adapted recovery baselines より全 backbone・両ベンチマークで高い task completion と condition restoration - 実機3タスクで成功試行が 12/30 から 17/30 に増加

5. 議論はある？

- 明示的で継続的に検査される task dependencies が信頼性の高いエージェント実行の実用的インターフェースになり得ると主張 - 学習不要で既存 VLA / WAM 上に載る設計の汎用性を示唆 - 限界・失敗事例・計算コスト・スケーラビリティに関する議論は要旨からは不明

6. 次に読むべき論文は？

- 要旨で比較対象として挙げられる adapted recovery baselines の原論文(具体名は要旨からは不明) - 基盤ポリシーとして用いられた Vision-Language-Action (VLA) および World Action Model (WAM) の代表的研究 - ベンチマークである RoboTwin V2 と BiCoord の論文 - symbolic planning と execution monitoring を統合した古典的 task planning / plan repair 研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Enqiao Lu, Yuxiang Xie, Xingrui Yu, Yuyang Wang, Yipeng Gu, Zhenglin Wan, Pengfei Zhou, Wangbo Zhao, Yang You, Yuxiang Gao, Ivor Tsang

分類: cs.RO

原文アブストラクト

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.

arXivで原文を読む →arXiv概要ページ

← 論文一覧