𝗧𝗿𝗮𝗰𝗸𝗶𝗻𝗴 𝗮𝗻𝗱 𝗼𝗯𝗷𝗲𝗰𝘁 𝗱𝗲𝘁𝗲𝗰𝘁𝗶𝗼𝗻 𝗳𝗼𝗿 𝗿𝗼𝗯𝗼𝘁𝗶𝗰𝘀 En robótica, la detección de objetos es una instantánea: “hay una botella en (x, y) en este fotograma.” El seguimiento de objetos es la tarea más difícil y operativa: “esta es la misma botella que antes, se movió así, y sigue ahí incluso si no la veo durante 200 ms.” Imagina un manipulador móvil en una encimera de cocina. La tarea es simple sobre el papel: recoger la botella azul de una mesa desordenada mientras una persona se mueve cerca. El robot tiene una cámara (quizás también de profundidad). Ejecuta un detector de objetos y obtiene un cuadro delimitador etiquetado como “botella” con un puntaje de confianza. Eso suena como percepción. Aún no lo es. En el fotograma 1, el detector ve la botella. En el fotograma 2, el brazo de la persona la oculta parcialmente, la confianza disminuye y el cuadro desaparece. En el fotograma 3, la botella reaparece, pero el detector desplaza ligeramente el cuadro. Desde la perspectiva del planificador, la botella ha parpadeado fuera de existencia y se ha teletransportado. En el desorden, también obtienes duplicados: el detector podría producir dos cuadros plausibles de “botella” para el mismo objeto. Si el robot reacciona directamente a las detecciones por fotograma, verás comportamientos de fallo clásicos: ➤ duda porque el objetivo está “faltando” cada pocos fotogramas, ➤ replantea constantemente porque la posición del objetivo tiembla, ➤ se dirige hacia el objeto equivocado cuando aparecen dos artículos similares, ➤ no puede hacer cumplir de manera confiable “no chocar con la persona” porque el cuadro de la persona también parpadea. Por eso la percepción en robótica rara vez se detiene en la detección. Necesita permanencia del objeto: la capacidad de decir “esta sigue siendo la misma botella, incluso si pierdo la vista de ella brevemente.” El seguimiento es lo que convierte las conjeturas fotograma a fotograma en un modelo de mundo estable. Un enfoque típico es “seguimiento por detección”: aún ejecutas un detector en cada fotograma, pero asocias las detecciones a pistas persistentes (IDs) a lo largo del tiempo utilizando predicción + asociación. Concretamente, el rastreador hace tres cosas: ➤ Predecir “¿dónde debería estar la botella ahora?” ➤ Asociar “¿qué detección pertenece a qué pista?” ➤ Mantener la identidad bajo cambios Volviendo a nuestra escena de la mesa: una vez que haces seguimiento, la botella deja de parpadear. Tiene un ID estable, una estimación de posición suavizada y a menudo una estimación de velocidad. Ahora el planificador puede comportarse como un adulto: puede esperar un breve cambio en el entorno, comprometerse con un objetivo y planificar una trayectoria segura alrededor de una persona en movimiento. Incluso con el seguimiento, el robot aún no sabe lo que está haciendo en términos humanos. Tiene “Seguimiento #7” con un cuadro delimitador y tal vez una etiqueta de clase “botella.” Eso no es suficiente para tareas reales porque las tareas reales se tratan de relaciones e intenciones: ➤ “Recoge la botella azul (no la clara).” ➤ “No te acerques a la persona.” ➤ “La botella está detrás de la taza.” ➤ “Si la persona está alcanzándola, pausa.” Aquí es donde los LLM (a menudo emparejados con VLM) pueden ayudar razonando sobre una representación estructurada de la escena construida a partir de pistas. La clave es que el LLM debe operar en un estado estable. Si le alimentas detecciones crudas por fotograma, obtendrás un razonamiento bajo porque sus entradas parpadean. El seguimiento hace que la capa semántica sea coherente.

¿Dónde está la robótica hoy? La parte "resuelta" de la robótica es la automatización industrial en entornos controlados. No es perfecta, pero es lo suficientemente madura como para escalar globalmente. La Federación Internacional de Robótica informó que hay 4,281,585 robots industriales operando en fábricas de todo el mundo (World Robotics 2024). Y en las estadísticas de World Robotics 2025, la IFR informa que se instalaron más de 542k robots industriales en 2024, con instalaciones anuales por encima de 500k durante más de 4 años consecutivos. Esa es la "ventaja de la fábrica": las tareas son repetibles, los entornos son estructurados y se pueden diseñar límites de seguridad. Cuando un brazo robótico suelda o coloca componentes, puedes restringir el mundo hasta que el robot parezca inteligente. La frontera es todo lo que está fuera de esa zona de confort: robots móviles en espacios concurridos, robótica de campo, manipulación flexible (agarrar objetos desordenados) y cualquier escenario donde el robot deba razonar bajo incertidumbre durante largos períodos. Aquí, la dificultad principal no es "¿puede hacer una demostración?" La dificultad principal es la fiabilidad a gran escala: ¿puede realizar la tarea de manera segura, predecible y económica miles de veces, incluyendo el extraño 2% de los casos? Esta es también la razón por la que la robótica está obsesionada con la seguridad y los modos de fallo. Un error de software en una aplicación web es molesto. Un error de software en una máquina en movimiento se convierte en cinético. Eso empuja a los equipos de robótica hacia un despliegue conservador: redundancia, comportamiento de parada segura, implementaciones graduales y monitoreo cuidadoso. También explica por qué el progreso físico puede parecer más lento que el puro software.

Los mempools encriptados son una de las ideas más limpias en la mitigación de MEV: oculta los detalles de las transacciones hasta que sea demasiado tarde para adelantarse a ellas. Si los validadores (o un comité de umbral) no pueden ver la carga útil, no pueden fácilmente: - copiar una operación, - hacer un sándwich, - vender el flujo de órdenes, - o posicionarse previamente alrededor de ella. En este caso, estás reemplazando "todos ven todo instantáneamente" con "la revelación ocurre más tarde y debe ser coordinada." Los principales costos se presentan como: ➤ latencia / retraso donde algunos diseños requieren una fase de revelación, una ventana de desencriptación, o preconfirmaciones. Eso puede añadir tiempo antes de la certeza de ejecución. ➤ riesgo de coordinación donde alguien tiene que desencriptar (un conjunto de validadores, un comité, o un mecanismo). Si fallan, se detienen, o coluden, la experiencia del usuario se degrada. ➤ nuevos modos de fallo donde la gestión de claves, las suposiciones de disponibilidad, y "quién aprende qué y cuándo" se convierten en parte de la superficie de tu protocolo. Así que los mempools encriptados no son un almuerzo gratis, en cambio, son una decisión consciente de pagar un costo de coordinación para reducir la visibilidad.