在人工智能向物理世界拓展的进程中，具身智能作为关键形态，正引领着机器人朝着自主理解与行动的方向迈进。然而，当前广泛应用的“视觉—语言—动作”模型，在应对复杂连续任务时面临诸多挑战。这类模型在短任务中表现尚可，但在开放环境中，局部观测的局限性、环境扰动的干扰以及动作累积误差的影响，使得阶段性动作虽合理，却常常导致整体目标偏离，严重限制了其在复杂场景下的稳定执行与泛化应用。
针对这一难题，中国科学院重庆绿色智能技术研究院的研究团队展开了深入探索，并提出了一种面向长程任务的按需搜索方法。该方法独具创新，将目标偏移看作采样过程中的系统性误差。通过精准识别不确定性变化的关键节点，引入轨迹重采样与一致性校验机制。在全局目标的严格约束下，它能够对候选动作序列进行高效筛选，有效降低因局部最优决策而引发的长程任务偏移风险，为解决复杂任务中的目标偏离问题提供了新的思路。
为了验证该方法的有效性，研究团队开展了一系列实验。实验结果显示，该方法在多个长程机器人任务基准上均取得了优异成绩。在LIBERO - Long基准上，平均成功率高达97.6%，展现出强大的性能优势；在RoboTwin 1.0基准上，相较于π0模型，成功率提升了15.2%；在RoboTwin 2.0基准上，较RDT模型更是提高了31.6%。这些数据充分证明了该方法在长程机器人任务中的卓越表现和显著效果。
目前，该研究成果已在国际知名学术期刊Expert Systems with Applications上发表，并且被ICML 2026、ACL 2026等重要学术会议收录，彰显了其在学术领域的重要价值和广泛影响力。
