Eka Robotics haalt Series A-financiering op onder leiding van Andreessen Horowitz

Andreessen Horowitz leidt de Series A-financieringsronde van Eka Robotics, een startup op het gebied van fysieke AI die een Vision-Force-Action-model ontwikkelt voor robotische manipulatie. Dat maakte de investeringsmaatschappij op 20 oktober 2026 bekend in een aankondiging. Het bericht, geschreven door partner Yoko Li en managing partner Raghu Raghuram, beschrijft Eka’s aanpak van behendige manipulatie en de redenen waarom de investeringsmaatschappij het bedrijf steunt.

Waar Eka Robotics aan werkt

Li en Raghuram schreven dat een groot deel van de fysieke economie wereldwijd, van productie en assemblage van elektronica tot logistiek en voedselproductie, nog altijd afhankelijk is van mensen die hun handen gebruiken. Dat geldt zelfs nu industriële robots een revolutie teweeg hebben gebracht in sterk gestructureerde productieprocessen, waarbij opspanmiddelen elk onderdeel op zijn plaats houden. Grote categorieën fysiek werk blijven moeilijk te automatiseren, omdat de echte wereld veranderlijk is: onderdelen bewegen, materialen vervormen, voorwerpen glijden weg en connectoren komen niet precies op één lijn. De investeerders zeiden dat zij het oplossen van behendige manipulatie zien als een van de grootste kansen in de robotica. Ook merkten zij op dat arbeid in veel van deze sectoren al een beperkende factor is.

Op haar website zegt Eka dat het bedrijf «intelligentie voor de fysieke wereld in haar eigen taal: kracht» ontwikkelt. Volgens het bedrijf moesten roboticaontwikkelaars tot nu toe kiezen tussen brede inzetbaarheid en prestaties. Eka beschrijft het Vision-Force-Action-model als een basis die brede inzetbaarheid, prestaties en veiligheid samenbrengt. Het bedrijf onderscheidt drie pijlers voor de technologie: één model dat generaliseert naar verschillende objecten, taken en omgevingen; snelle, betrouwbare robots die zich aanpassen aan onverwachte situaties; en veilige, collaboratieve inzet naast mensen, ongeacht de omgeving.

Hoe het Vision-Force-Action-model werkt

Volgens het bericht van a16z heeft Eka een Vision-Force-Action-model ontwikkeld dat visuele waarneming combineert met krachtfeedback van de robotische handen. Het bedrijf ontwerpt het model, de sensoren, de regelaar en de hardware als één geheel, zodat de robot fysiek contact zelf als informatiebron kan gebruiken. Het bericht beschrijft wat de robot daarmee kan doen: een beginnende slip tijdens het vastgrijpen corrigeren, een voorwerp lokaliseren met behulp van contact met een oppervlak, en zijn beweging aanpassen aan weerstand tijdens het insteken in plaats van die weerstand alleen als fout te signaleren. Het doel is om de prestaties op peil te houden wanneer de omstandigheden veranderen, zonder dat een technicus de robot opnieuw hoeft af te stellen voor elk materiaal, voorwerp of elke passing.

De aankondiging baseert deze aanpak op de mechanica van de menselijke hand, die volgens de beschrijving ongeveer twee dozijn vrijheidsgraden en duizenden gespecialiseerde sensorische receptoren heeft. Die receptoren registreren aanhoudende druk en vorm, lichte aanraking, de eerste tekenen van wegglijden, hoogfrequente trillingen en het uitrekken van de huid. Omdat het nabouwen van zo’n biologisch sensorsysteem, receptor voor receptor, zou leiden tot enorme extra complexiteit, kosten, bedrading, rekenkracht en mogelijke storingspunten, omschrijft het bericht de technische uitdaging als volgt: machines voldoende fysieke informatie en intelligentie geven om hetzelfde resultaat te bereiken met een veel eenvoudiger systeem voor waarneming en bediening.

Leren in fysische simulaties

Eka traint zijn manipulatiebeleid met reinforcement learning in fysische simulaties. Virtuele robots kunnen daarin miljoenen variaties in de positie van voorwerpen, wrijving en contact oefenen voordat een beleid ooit op fysieke hardware wordt toegepast, aldus de aankondiging. Li en Raghuram stelden deze aanpak tegenover leren aan de hand van menselijke demonstraties. Volgens hen kost dat menselijke tijd en is het moeilijk om zo nuttige informatie over alle manieren waarop een taak kan mislukken over te brengen. Ze voegden eraan toe dat, als de aanpak op grote schaal werkt, de ervaring van robots steeds meer kan meegroeien met de beschikbare rekenkracht in plaats van met de hoeveelheid menselijke arbeid.

Het bericht erkent ook het historische obstakel voor deze aanpak: contactdynamica is notoir moeilijk te modelleren, en kleine fouten in wrijving, vervormbaarheid of het gedrag van actuatoren kunnen ervoor zorgen dat een geslaagd simulatiebeleid in de echte wereld onbruikbaar is. Het overbruggen van de kloof tussen simulatie en werkelijkheid wordt beschreven als een van de moeilijkste problemen in de robotica. Volgens het bericht hebben de oprichters van Eka een groot deel van het afgelopen decennium vanuit complementaire invalshoeken aan dit probleem gewerkt.

Gerapporteerde prestaties en het oprichtersteam

Eka rapporteert tot 1.500 picks per uur bij laboratoriumtaken voor inductie en bin-picking, tweeënhalf keer sneller dan mensen, aldus de aankondiging. Volgens het bericht heeft het onderliggende systeem laten zien dat het uiteenlopende manipulaties aankan: met breekbare voorwerpen, gladde industriële onderdelen en insteektaken waarbij veel contact optreedt. De volgende test is om die prestaties gedurende volledige productiediensten vast te houden. Als deze mogelijkheden betrouwbaar overdraagbaar blijken naar verschillende productietaken, zouden fabrikanten nieuwe producten kunnen introduceren zonder het leerproces vanaf nul te beginnen, schreven de investeerders. Ook zouden taken waarvoor een afzonderlijk automatiseringsproject nooit de moeite waard was, dan binnen bereik komen.

Medeoprichter Pulkit Agrawal van het Improbable AI Lab bij MIT CSAIL wordt in het artikel omschreven als een van de toonaangevende onderzoekers op het gebied van robotleren en als pionier op het gebied van computationeel sensorimotorisch leren. Zijn werk bestrijkt reinforcement learning, krachtbewuste besturing, behendige manipulatie en het overbrengen van regelstrategieën van simulaties naar de echte wereld. Medeoprichter Tuomas Haarnoja ontwikkelde bij Berkeley mede Soft Actor-Critic, dat het artikel een van de fundamentele algoritmen in modern reinforcement learning noemt. Later werkte hij bij Google DeepMind aan het trainen van complex humanoïd gedrag in simulaties en het inzetten daarvan op echte machines. De investeerders schreven dat de oprichters bij uitstek geschikt zijn om de kloof tussen simulatie en werkelijkheid te dichten en hebben laten zien dat die kloof kleiner wordt.

Eka zegt dat het bredere team bestaat uit mensen van MIT, Berkeley, Harvard, CMU, BU, UPenn, DeepMind, Microsoft en Boston Dynamics. Het bedrijf omschrijft zijn onderzoekers als pioniers op het gebied van zelfgesuperviseerd leren, robotleren op grote schaal, wereldmodellen, reinforcement learning en robotica die simulaties naar de echte wereld overbrengt.