Cog-WM 1.0: Haritasız robot navigasyonu için bilişsel dünya modeli

EBKernel, Cog-WM 1.0 adlı sistemini 2026 Pujiang İnovasyon Forumu’nda, beynin bazı bilişsel mekanizmalarından esinlenen bir “bilişsel dünya modeli” olarak tanıttı. Hedef, robotların önceden yüklenmiş bir ortam haritasına ihtiyaç duymadan yeni alanlarda yön bulması ve nesneleri manipüle etmesi için ortak bir altyapı sunmak. 39

Cog-WM 1.0 ne yapmaya çalışıyor?

Dünya modeli, bir robotun çevresine dair iç temsiller oluşturmasına ve bir eylemden sonra ne olabileceğini öngörmesine yarayan yaklaşımın genel adıdır. EBKernel, Cog-WM’yi gizil uzayda tahmin yapan bir sistem olarak konumlandırıyor: Model, sahnedeki her pikseli yeniden kurmaya çalışmak yerine, robotun o anki hedefi için anlam taşıyan bilgiyi kodlamayı amaçlıyor. 3

Şirketin açıklaması; belleğin seçici biçimde güncellenmesi, tekrar kullanılabilir mekânsal bilgi ile tekil deneyimlerin ayrıştırılması ve birden çok zaman ölçeğinde tahmin yapılması gibi bilişsel harita ilkelerine dayanıyor. Bunlar, sistemin biyolojik bir beyni birebir kopyaladığı iddiası değil; sinirbilimden alınmış hesaplamalı tasarım esinleri.

Navigasyondaki ana vaat, robotun hedefe göre keşif için sonraki noktaları ve rotaları seçmesine yardımcı olan açık bir mekânsal hafıza. Bu yönüyle yaklaşım, benmerkezli hareket rotaları ve bağlamsal ipuçlarından dış-merkezli bilişsel haritalar oluşturarak mekânsal navigasyonu destekleyen BSC-Nav araştırma çerçevesiyle aynı problem alanına giriyor.

Şirketin bildirdiği navigasyon sonuçları

En somut karşılaştırma, HM3D-ObjectNav veri kümesinin bir alt kümesinde BSC-Nav ile yapılmış. Şirketin yayımladığı verilere göre Cog-WM 1.0 şunlara ulaştı:

• %86,89 başarı oranı (SR); BSC-Nav’da bu oran %78,50. Bu, 8,39 yüzde puanlık ya da göreli olarak %10,69’luk artış anlamına geliyor.
• 48,35 SPL; BSC-Nav için 47,70 SPL.

SPL, başarıyı izlenen yolun verimliliğiyle birlikte ölçen bir metrik. Bu nedenle mevcut tabloda iyileşme, yol verimliliğinden çok başarı oranında belirgin. Başka bir deyişle, sonuçlar robotun bu testte hedefe daha sık ulaştığına işaret ediyor; fakat başarılı rotaların çok daha kısa olduğuna dair aynı ölçüde güçlü bir kanıt sunmuyor.

Nesne manipülasyonunda ne iddia ediliyor?

EBKernel, Cog-WM’nin manipülasyon bileşeninin RoboTwin 2.0’ın da yer aldığı üç değerlendirme paketinde, yoğun biçimde önceden eğitilmiş π0.5 tarzı bir temel modeli en fazla yaklaşık %16 oranında geçtiğini belirtiyor. 3

Şirket bu yaklaşımı, eylemlerin kısa ve uzun vadeli sonuçlarını öğrenmeye; hedefe ilerlemeye katkı sağlayan deneyimlere daha yüksek ağırlık vermeye dayandırıyor. Ancak mevcut kaynaklarda benchmark bazında eksiksiz sonuç tabloları, kullanılan sensör ayarları, eğitim verisi veya değerlendirme protokolleri yer almıyor. Bu nedenle π0.5 tarzı temel modelle karşılaştırmanın koşullarının eşdeğerliği bağımsız olarak denetlenemiyor.

Aynı temkin, LIBERO-Plus için belirtilen yaklaşık %80’den tam sistemde %84,6’ya çıkan ablasyon değerleri için de gerekli. Erişilebilen materyallerde ayrıntılı teknik rapor ya da tam sonuç tablosu bulunmadığından, bu rakamlar teknolojinin kesin sıralaması olarak değil, bağımsız biçimde doğrulanmamış şirket ölçümleri olarak değerlendirilmelidir.

Benchmark’tan gerçek robota geçiş

EBKernel; haritasız navigasyon, rota planlama, uzay-zaman hafızasından bilgi getirme, mekânsal ilişkiler üzerine soru-cevap ve nesne bulma işlevlerini tekerlekli insansı robotlar ile dört ayaklı robotlarda gösterdiğini söylüyor. Tekerlekli bir insansı robot üzerinde manipülasyon yeteneğinin de sergilendiği belirtiliyor. 3

Merkezi Şanghay’da bulunan ve 2025’te kurulan şirketin daha geniş tezi, bilgi ve hafıza odaklı mimarilerin, bedenlenmiş yapay zekânın çok büyük veri ve hesaplama kaynaklarına bağımlılığını azaltabileceği yönünde. 11

Bu iddialar nasıl okunmalı?

Cog-WM 1.0, tutarlı bir araştırma yönü öneriyor: mekânsal hafıza, soyut durum tahmini ve hedef odaklı planlama. BSC-Nav karşılaştırması da dikkat çekici; çünkü BSC-Nav da navigasyonu yalnızca anlık algılamaya dayalı bir tepki problemi olarak değil, yapılandırılmış mekânsal bilgi problemi olarak ele alıyor.

Bununla birlikte, en çarpıcı sonuçların büyük bölümü şirket duyurularından geliyor. Daha sağlam bir sonuca varmak için herkese açık kod veya ayrıntılı teknik rapor, eşleştirilmiş eğitim verileri ve sensörler, net hesaplama bütçeleri ve farklı ortamlarda bağımsız değerlendirmeler gerekli.

Sonuç: Cog-WM 1.0, gizil durum tahminini bilişsel mekânsal hafızayla birleştiren, bedenlenmiş yapay zekâ için umut vadeden erken aşama bir öneri. Bildirilen benchmark kazanımları dikkate değer; ancak bunlar, açık dünyada genel amaçlı ve güvenilir robot özerkliğinin kanıtı için henüz yeterli değil.