Jumper: een open-source krabrobot met 22 gewrichten

TL;DR

• Wat: KingKong Technology heeft Jumper open source gemaakt — een krabvormige robot met 22 gewrichten die via reinforcement learning leert lopen, springen en grijpen.
• Waarom relevant: open-source robotica met AI-trainingstools wordt steeds toegankelijker, ook voor bedrijven zonder eigen roboticalab.
• Wat je ermee kunt: de GitHub-repo verkennen om te begrijpen hoe AI-gestuurde robotica werkt — en inschatten of dit soort platforms op termijn relevant wordt voor jouw sector.

Ik stuitte op een bericht over een open-source krabrobot genaamd Jumper, gebouwd door het Chinese bedrijf KingKong Technology. Wat mij hier triggerde is niet zozeer de robot zelf — het is de manier waarop het hele project is opgezet: open hardware, open software, AI-trainingsomgeving en zelfs kant-en-klare bestanden om met een AI-codeerassistent aan de slag te gaan. Dat vind ik het signaleren waard.

Wat is Jumper precies?

Jumper is een krabvormige robot met 22 gewrichten, aangedreven door evenveel zogenaamde tactile servos — kleine motoren die elk twee magnetische encoders bevatten. Die encoders meten zowel de positie van de motor als die van het gewricht. Dat klinkt misschien technisch, maar het komt erop neer dat de robot vrij precies weet waar zijn poten zich bevinden. Vergelijk het met het verschil tussen blindlings je arm uitstrekken en je arm uitstrekken terwijl je voelt waar je hand is.

De specificaties volgens de productpagina van KingKong Technology:

• Afmetingen: 400 × 400 × 200 mm
• Gewicht: 1,8 kg
• Topsnelheid: minimaal 0,5 m/s
• Spronghoogte: minimaal 400 mm
• Grijpkracht: tot 1 kg
• Accuduur: circa 2 uur

De buitenschaal is verwisselbaar, wat betekent dat je het uiterlijk kunt aanpassen. In de bijbehorende GitHub-repository staan voorbeelden als "zilveren harnas" en "Raphael Turtle" — het ding kan er dus uitzien zoals je wilt.

Hoe leert deze robot bewegen?

Hier wordt het voor mij echt interessant. Jumper wordt niet geprogrammeerd met vaste bewegingspatronen. In plaats daarvan leert de robot zelf lopen, springen, dansen en grijpen via reinforcement learning (RL) — een vorm van machine learning waarbij de robot door trial-and-error leert welk gedrag werkt.

Dat leerproces vindt plaats in MuJoCo, een physics simulator die veel wordt gebruikt in robotica-onderzoek. Je traint de robot dus eerst virtueel — in een gesimuleerde wereld — voordat je het geleerde gedrag overzet naar de fysieke robot. Het trainingsalgoritme is PPO (Proximal Policy Optimization), een veelgebruikte RL-methode.

Waarom is dat relevant buiten het lab? Omdat deze aanpak steeds breder toepasbaar wordt. Stel dat je als ondernemer een magazijn hebt met onvoorspelbare obstakels, of een agrarisch bedrijf waar robots over ongelijk terrein moeten navigeren. Traditioneel programmeer je elke situatie apart. Met RL leert de robot zélf omgaan met variatie. Dat is een fundamenteel ander uitgangspunt.

Claude Code en AI-gestuurde ontwikkeling

Wat mij opvalt aan dit project is de integratie met AI-codeerassistenten. De repository bevat bestanden als CLAUDE.md, AGENTS.md en een map .claude/skills. Dit zijn configuratiebestanden voor Claude Code — de AI-codeerassistent van Anthropic.

Concreet betekent dit: je opent de repository in een AI-codeerassistent, typt een prompt als "train een stabiele driepotige gang", en de assistent voert het trainingsproces uit. Je kunt ook een uiterlijk ontwerpen of een virtuele omgeving bouwen met een enkele opdracht.

Ik vind dit een opmerkelijke ontwikkeling. Niet omdat het per se nieuw is dat AI helpt bij coderen, maar omdat hier een compleet roboticaproject is ingericht rondom het idee dat een AI-assistent je primaire interface is. Je hoeft niet zelf diep in Python-code te duiken. De drempel om met robotica te experimenteren wordt daardoor een stuk lager.

Wat betekent dat voor een ondernemer?

Kun je je voorstellen wat dit betekent als je een technisch team hebt van twee of drie mensen? Normaal gesproken heb je voor robotica-ontwikkeling specialisten nodig in mechanica, embedded software én machine learning. Met een project als Jumper — inclusief AI-gestuurde tooling — kan een kleiner team sneller prototypen bouwen en testen. Dat is geen garantie voor succes, maar het verlaagt wel de instapdrempel aanzienlijk.

Open source en de Crab Robot Challenge

Het hele project valt onder de Apache 2.0-licentie, wat betekent dat je de code vrij mag gebruiken, aanpassen en distribueren — ook voor commerciële doeleinden. De repository heeft op dit moment ongeveer 2.000 sterren op GitHub, wat duidt op serieuze interesse vanuit de ontwikkelaarsgemeenschap.

KingKong Technology organiseert daarnaast een "Crab Robot Challenge 2026" waarbij honderd fysieke Jumper-robots worden verloot aan deelnemers. De voorwaarde is dat je een eigen beweging, uiterlijk of scène maakt in de simulatiesoftware en daar een schermopname van instuurt. Volgens een bericht op X zou de eerste deadline op 30 oktober liggen, maar ik heb dat niet kunnen verifiëren via een officiële bron.

Wat ik hier opmerkelijk vind: het bedrijf geeft hardware weg om een community op te bouwen. Dat is een bewuste strategie. Als honderd ontwikkelaars wereldwijd gaan experimenteren met jouw platform, krijg je gratis R&D terug in de vorm van nieuwe bewegingen, toepassingen en bugfixes. Het is hetzelfde principe dat bedrijven als Arduino en Raspberry Pi groot heeft gemaakt.

Nederlandse context

In Nederland zie je vergelijkbare bewegingen, zij het op kleinere schaal. Bedrijven als Viroteq.ai in Almere werken aan reinforcement learning voor robotica in logistieke omgevingen. De Universiteit Twente doet onderzoek naar RL voor musculoskeletale robots. En het Europese OpenDR-project bouwt aan een open toolkit voor deep learning in robotica, gericht op sectoren als agri-food en zorg — precies de sectoren waar veel Nederlands MKB actief is.

Dat betekent niet dat je morgen een krabrobot in je magazijn zet. Maar het betekent wél dat de bouwstenen — open hardware, open trainingsomgevingen, AI-gestuurde ontwikkeltools — steeds toegankelijker worden. De afstand tussen "academisch experiment" en "bruikbaar prototype" wordt kleiner.

Afsluiting

Voor mij is Jumper vooral interessant als voorbeeld van een bredere trend: robotica wordt modulair, open en AI-gestuurd. Het feit dat een relatief klein Chinees bedrijf een complete robot open source kan zetten — inclusief hardware-documentatie, trainingscode en AI-integratie — zegt iets over waar we staan. De tools die vijf jaar geleden voorbehouden waren aan universiteiten en grote techbedrijven, liggen nu op GitHub.

Of dat direct relevant is voor jouw bedrijf hangt af van je sector en je ambitie. Maar het is volgens mij wel verstandig om dit soort ontwikkelingen te volgen. Niet omdat je er vandaag iets mee moet, maar omdat de ondernemers die straks wél iets met robotica doen, nu al aan het kijken zijn.