RéponsesPublié17 sources
Pelican : trois modèles pour relier perception, simulation et action robotique
Les rapports Pelican décrivent trois rôles complémentaires : relier vision et action, simuler les conséquences d’actions et unifier compréhension, raisonnement, imagination et action. Après son ajustement sur RoboTwin, Pelican VLA 0.5 affiche des taux de réussite de 91,4 % sur RoboTwin Clean et de 91,0 % sur RoboTwi...
Publié parModifié avec GPT-6 LunaImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- Les rapports Pelican décrivent trois rôles complémentaires : relier vision et action, simuler les conséquences d’actions et unifier compréhension, raisonnement, imagination et action.
- Après son ajustement sur RoboTwin, Pelican VLA 0.5 affiche des taux de réussite de 91,4 % sur RoboTwin Clean et de 91,0 % sur RoboTwin Randomized.
- Les sources disponibles ne vérifient pas que la taxonomie de généralisation ou la boucle d’apprentissage évoquées dans certaines descriptions ont été présentées lors d’un discours à ROSCon China.
Prompt IA
openai.comCreate a landscape editorial hero image for this Studio Global article: What roadmap did the Beijing Innovation Center of Humanoid Robotics (X-Humanoid) present through world model lead Zou Shilong’s “Exploring U. Article summary: The available evidence supports X-Humanoid’s broader direction: combining visual-language understanding, imagined future observations, and action generation in unified embodied models, with a world-model simulator suppor. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Les rapports publics de X-Humanoid sur la gamme Pelican esquissent une ambition : rapprocher perception, prédiction et action dans des modèles destinés aux robots. Ils décrivent trois fonctions distinctes mais complémentaires : Pelican-VLA 0.5 prédit des actions et des images futures, Pelican-Sim 1.0 anticipe les observations à partir des actions du robot, et Pelican-Unify rassemble compréhension, raisonnement, imagination et action. 17
18
44
En revanche, les sources disponibles ne permettent pas de confirmer que cette feuille de route complète — ni la taxonomie de généralisation et la boucle d’apprentissage parfois associées — a été présentée lors du discours de Zou Shilong à ROSCon China en octobre.
Ce que montrent les rapports publics
Pelican-VLA 0.5 : relier la perception à l’action
Pelican-VLA 0.5 est décrit comme un modèle vision-langage-action (VLA) qui rassemble, dans une même architecture, la compréhension visuelle et linguistique, la génération d’images futures et la prédiction d’actions. 44 Son dépôt de projet indique qu’il repose sur un socle commun Qwen3-VL 4B et propose un point de contrôle préentraîné sur plusieurs types de robots. Le dépôt fait état d’un entraînement sur environ 2 400 heures de données hétérogènes de manipulation.
46
47
Le rapport signale également un résultat lié à l’attention : avant tout ajustement spécifique à une tâche, la voie d’action du modèle se concentre sur l’objet et la zone de contact pertinents pour l’instruction. 44
46 Après ajustement sur RoboTwin, le rapport donne des taux de réussite de 91,4 % sur RoboTwin Clean et de 91,0 % sur RoboTwin Randomized.
44
Ces résultats concernent Pelican-VLA 0.5. Ils ne confirment pas l’affirmation distincte selon laquelle l’ajout de 500 trajectoires générées à 50 démonstrations d’origine par tâche aurait produit des résultats précis pour Pelican-Sim.
Pelican-Sim 1.0 : prévoir les conséquences d’une action
Pelican-Sim 1.0 est présenté comme un simulateur fondé sur un modèle du monde. À partir du contexte visuel et des actions du robot, il prédit des observations futures afin de contribuer à l’apprentissage et à la prise de décision en aval. Son rapport technique décrit des représentations numériques et visuelles des actions, synchronisées entre elles. 17
Son rôle annoncé diffère donc de celui de Pelican-VLA 0.5 : plutôt que de décrire directement un modèle qui transforme une perception en action, Pelican-Sim cherche à prévoir ce qui sera observé après une action donnée. Le rapport étaye cette fonction générale, mais les éléments disponibles ne confirment ni la stratégie de données en quatre étapes attribuée au discours, ni les résultats détaillés de l’expérience proposée avec 50 démonstrations et 500 trajectoires supplémentaires. 17
Pelican-Unify : réunir les capacités d’un modèle incarné
Dans son rapport technique, Pelican-Unify 1.0 est décrit comme un modèle unifié d’intelligence incarnée, conçu pour la compréhension, le raisonnement, l’imagination et l’action. Le rapport indique qu’un même modèle vision-langage sert de composant de compréhension unifié : il associe scènes, instructions, contexte visuel et historique des actions dans un espace sémantique commun. 18
Le modèle était déjà documenté publiquement avant l’événement d’octobre : son rapport porte un identifiant de mai 2026 et un article publié ce même mois évoque sa sortie. 18
24 Les sources ne justifient donc pas de dire qu’il a été révélé pour la première fois en octobre. Elles n’excluent pas qu’il ait été présenté sous un nouvel angle au public de la conférence.
Comment les modèles s’articulent
Pris ensemble, les rapports dessinent les pièces complémentaires d’une boîte à outils pour l’apprentissage robotique : Pelican-VLA 0.5 relie des entrées visuelles et linguistiques à des actions prédites et à des images futures ; Pelican-Sim 1.0 modélise les observations futures en fonction des actions du robot ; Pelican-Unify vise à réunir compréhension, raisonnement, imagination et action. 17
18
44
Il s’agit d’une synthèse des descriptions publiées des modèles, et non d’une séquence ou d’une feuille de route dont l’annonce lors du discours serait confirmée.
Ce qui reste à vérifier au sujet du discours
Le site de ROSCon China 2026 indique que la conférence devait se tenir à Shanghai du 16 au 18 octobre. La liste de l’événement disponible ne confirme ni le titre du discours d’ouverture, ni son intervenant, ni un créneau le 17 octobre, ni son contenu. 3
Les sources disponibles ne confirment pas non plus les définitions exactes des quatre niveaux de généralisation attribués au discours — liée au contexte, compositionnelle, inter-robots et hors distribution — ni la progression proposée, de vidéos à la première personne sans robot visible et de captures UMI réalisées à main levée jusqu’aux données simulées, aux exemples de récupération après échec et à l’itération de politiques guidée par le retour d’expérience. Sans enregistrement, diapositives ou compte rendu officiel détaillé, attribuer ces étapes et définitions à Zou Shilong reviendrait à présenter comme établis des éléments qui ne sont pas vérifiés.
De même, les éléments fournis n’établissent pas les méthodes d’analyse des représentations, les interventions sur les voies d’attention et les tests comportementaux qui auraient servi à mesurer le poids des signaux visuels et linguistiques. Ils ne documentent pas non plus le travail annoncé sur la récupération après des échecs dans des tâches longues, ni une boucle précise reliant simulations internes, mises à jour des politiques, validation dans le monde réel et données de retour.
La conclusion la mieux étayée est plus limitée : les rapports publics de X-Humanoid explorent comment relier perception, représentation de futurs possibles et action, ainsi que la simulation par modèle du monde. La feuille de route plus détaillée attribuée au discours reste à vérifier à partir des sources disponibles.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « Pelican : trois modèles pour relier perception, simulation et action robotique » ?
Les rapports Pelican décrivent trois rôles complémentaires : relier vision et action, simuler les conséquences d’actions et unifier compréhension, raisonnement, imagination et action.
Quels sont les points clés à valider en premier ?
Les rapports Pelican décrivent trois rôles complémentaires : relier vision et action, simuler les conséquences d’actions et unifier compréhension, raisonnement, imagination et action. Après son ajustement sur RoboTwin, Pelican VLA 0.5 affiche des taux de réussite de 91,4 % sur RoboTwin Clean et de 91,0 % sur RoboTwin Randomized.
Que dois-je faire ensuite en pratique ?
Les sources disponibles ne vérifient pas que la taxonomie de généralisation ou la boucle d’apprentissage évoquées dans certaines descriptions ont été présentées lors d’un discours à ROSCon China.
Sources
arxiv.orgPelican-Sim 1.0: A General World Model Simulator for Embodied ...
github.comreadme.md - Pelican-VLA 0.5
huggingface.coREADME.md · X-Humanoid/Pelican-VLA05 at 5623cf1629aae870b973025a675e4534adc44d83