EBKernels Cog-WM 1.0: wat dit cognitieve wereldmodel voor robots belooft

EBKernel heeft Cog-WM 1.0 gepresenteerd als een ‘cognitief wereldmodel’ voor robots, geïnspireerd op mechanismen uit het brein. Het systeem moet robots helpen om zelfstandig te navigeren en objecten te manipuleren, ook wanneer er geen vooraf geladen kaart van de omgeving beschikbaar is. De aankondiging kwam op 14 september tijdens het 2026 Pujiang Innovation Forum in Shanghai. 39

Niet elk beeldpunt reconstrueren, maar voorspellen wat ertoe doet

Een wereldmodel bouwt intern een voorstelling op van de omgeving en probeert te voorspellen wat de gevolgen van een actie zullen zijn. EBKernel positioneert Cog-WM als een systeem voor voorspellingen in een latente ruimte: het model hoeft niet ieder beeldpunt van een scène opnieuw op te bouwen, maar codeert vooral informatie die relevant is voor de huidige taak van de robot. 3

Volgens de beschrijving van het bedrijf leunt die aanpak op principes van cognitieve kaarten: geheugen selectief bijwerken, herbruikbare ruimtelijke kennis onderscheiden van episodische ervaringen en voorspellingen maken op meerdere tijdschalen. Dat zijn computationele ideeën uit de neurowetenschap; EBKernel beweert daarmee niet dat het systeem een biologisch brein nabootst.

Voor navigatie ligt de nadruk op expliciet ruimtelijk geheugen. Dat moet een robot helpen om, vanuit het einddoel, nieuwe verkenningsdoelen en routes te kiezen. Die richting vertoont overeenkomsten met BSC-Nav, een onderzoeksraamwerk dat allocentrische — dus niet aan het eigen gezichtspunt gebonden — cognitieve kaarten opbouwt uit egocentrische trajecten en contextinformatie.

Gemelde navigatieresultaten: hogere slagingskans, beperkte SPL-winst

De meest concrete vergelijking gaat over een deelverzameling van HM3D-ObjectNav, een benchmark waarin een robot een genoemd object moet vinden. Volgens de door het bedrijf gepubliceerde cijfers behaalde Cog-WM 1.0:

• een success rate (SR) van 86,89%, tegenover 78,50% voor BSC-Nav: een verschil van 8,39 procentpunt, oftewel een relatieve stijging van 10,69%;
• een SPL-score van 48,35, tegenover 47,70 voor BSC-Nav.

SPL combineert taakvoltooiing met route-efficiëntie: een hogere score betekent niet alleen vaker slagen, maar ook een relatief efficiënte route afleggen. Het verschil is hier dus aanzienlijk groter bij de success rate dan bij SPL. De cijfers wijzen erop dat Cog-WM in deze test vaker het doel bereikt, maar laten geen even grote verbetering zien in de lengte of efficiëntie van succesvolle routes.

Wat zegt EBKernel over objectmanipulatie?

Voor manipulatie meldt EBKernel dat Cog-WM een zwaar voorgetraind baseline van het type π0.5 met maximaal ongeveer 16% overtrof in drie evaluatiesuites, waaronder RoboTwin 2.0. 3

Het bedrijf schrijft die aanpak toe aan het leren van actiegevolgen op korte en langere termijn, waarbij ervaringen die aantoonbaar bijdragen aan voortgang richting het doel zwaarder meetellen. De beschikbare bronnen bevatten echter geen volledige tabellen per benchmark, geen details over sensoren, trainingsdata of evaluatieprotocollen. Daardoor is niet onafhankelijk vast te stellen hoe vergelijkbaar de opzet met de π0.5-achtige baseline precies was.

Dat voorbehoud geldt ook voor de gemelde ablation-resultaten op LIBERO-Plus: van ongeveer 80% voor alleen de policy naar 84,6% voor het volledige systeem. Zonder volledig technisch rapport of een openbare resultatentabel moeten deze waarden worden gelezen als niet onafhankelijk geverifieerde bedrijfsmetingen, en niet als een definitieve rangorde in de robotica.

Van simulatiebenchmark naar echte robot

EBKernel zegt functies te hebben gedemonstreerd zoals kaartloze navigatie, routeplanning, het terughalen van ruimte-tijdgeheugen, vragen beantwoorden over ruimtelijke relaties en het vinden van objecten. Dat zou zijn getest op rijdende humanoïde robots en viervoeters. Voor een rijdende humanoïde robot meldt het bedrijf ook een demonstratie van objectmanipulatie. 3

EBKernel is gevestigd in Shanghai en werd in 2025 opgericht. De bredere inzet van het bedrijf is dat cognitieve architecturen met geheugen en kennis de afhankelijkheid van embodied AI — AI die in een fysiek lichaam zoals een robot werkt — van zeer grote hoeveelheden data en rekenkracht kunnen verminderen. 11

Hoe deze claims te beoordelen

Cog-WM 1.0 vertegenwoordigt een samenhangende onderzoeksrichting: ruimtelijk geheugen, voorspellingen van abstracte toestanden en doelgericht plannen. De vergelijking met BSC-Nav is juist relevant omdat ook dat systeem navigatie benadert als een probleem van gestructureerde ruimtelijke kennis, en niet alleen van reactieve beeldverwerking.

Tegelijkertijd komen de opvallendste resultaten vooral uit bedrijfscommunicatie. Voor stevigere conclusies zijn openbare code of een uitvoerig technisch rapport nodig, evenals afgestemde trainingsdata en sensoren, duidelijke rekenbudgetten en onafhankelijke tests in uiteenlopende omgevingen.

Conclusie: Cog-WM 1.0 is een veelbelovende vroege aanpak voor embodied AI, waarin voorspellen in een latente ruimte wordt gecombineerd met cognitief ruimtelijk geheugen. De gemelde benchmarkwinsten verdienen aandacht, maar bewijzen nog niet dat robots hiermee breed inzetbare en betrouwbare autonomie in een open, onvoorspelbare omgeving bereiken.