ZK-verifieerbare matching is een manier om een snelle, privé orderboek te runnen terwijl gebruikers nog steeds een cryptografische garantie krijgen dat de matching engine de regels volgde. Het probleem dat het oplost is eenvoudig: een CLOB heeft een operator (of een kleine set van operators) nodig om orders snel te matchen, maar die operator kan ook vals spelen (herordenen, overslaan of selectief invullen). ZK verandert het vertrouwensmodel: de operator kan snel blijven, maar kan een update niet finaliseren tenzij hij bewijst dat deze correct is berekend. 𝗛𝗼𝘄 𝗶𝘁 𝘄𝗼𝗿𝗸𝘀 (𝗰𝗼𝗻𝗰𝗲𝗽𝘁𝘂𝗮𝗹𝗹𝘆) ➤ Orders worden verzameld en off-chain gematcht (zodat je lage latentie-uitvoering kunt krijgen). ➤ In plaats van de volledige orderstroom te publiceren, publiceert het systeem: - 𝘢 𝘤𝘰𝘮𝘮𝘪𝘵𝘮𝘦𝘯𝘵 𝘵𝘰 𝘵𝘩𝘦 𝘣𝘢𝘵𝘤𝘩 / 𝘴𝘵𝘢𝘵𝘦 𝘵𝘳𝘢𝘯𝘴𝘪𝘵𝘪𝘰𝘯 (𝘰𝘧𝘵𝘦𝘯 𝘢 𝘴𝘵𝘢𝘵𝘦 𝘳𝘰𝘰𝘵) - 𝘢 𝘻𝘬-𝘱𝘳𝘰𝘰𝘧 𝘵𝘩𝘢𝘵 𝘵𝘩𝘦 𝘮𝘢𝘵𝘤𝘩𝘪𝘯𝘨 + 𝘳𝘪𝘴𝘬 𝘤𝘩𝘦𝘤𝘬𝘴 + 𝘣𝘢𝘭𝘢𝘯𝘤𝘦 𝘶𝘱𝘥𝘢𝘵𝘦𝘴 𝘸𝘦𝘳𝘦 𝘥𝘰𝘯𝘦 𝘢𝘤𝘤𝘰𝘳𝘥𝘪𝘯𝘨 𝘵𝘰 𝘵𝘩𝘦 𝘱𝘳𝘰𝘵𝘰𝘤𝘰𝘭 𝘳𝘶𝘭𝘦𝘴, - 𝘦𝘯𝘰𝘶𝘨𝘩 𝘥𝘢𝘵𝘢 𝘢𝘷𝘢𝘪𝘭𝘢𝘣𝘪𝘭𝘪𝘵𝘺 𝘴𝘰 𝘶𝘴𝘦𝘳𝘴 𝘤𝘢𝘯 𝘴𝘵𝘪𝘭𝘭 𝘦𝘹𝘪𝘵 𝘦𝘷𝘦𝘯 𝘪𝘧 𝘵𝘩𝘦 𝘰𝘱𝘦𝘳𝘢𝘵𝘰𝘳 𝘥𝘪𝘴𝘢𝘱𝘱𝘦𝘢𝘳𝘴. Dat “voldoende data beschikbaarheid” is waar de ontwerpkeuze van @hibachi_xyz interessant is: Hibachi runt een hoogpresterende CLOB en plaatst versleutelde staat / handelsgegevens naar @Celestia (zodat strategieën en posities niet openbaar zijn), terwijl het nog steeds bewijzen publiceert zodat updates verifieerbaar blijven, met behulp van SP1 (Succinct’s zkVM) om de CLOB te bewijzen. 𝗕𝘂𝘁 𝘄𝗵𝗮𝘁 “𝗺𝗮𝘁𝗰𝗵𝗶𝗻𝗴 𝘄𝗮𝘀 𝗰𝗼𝗿𝗿𝗲𝗰𝘁” 𝗺𝗲𝗮𝗻𝘀 𝗶𝗻 𝗽𝗿𝗼𝗼𝗳 𝘁𝗲𝗿𝗺𝘀? Een zk-proof kan dezelfde invarianties afdwingen waar je normaal op zou vertrouwen dat een beursoperator ze volgt, bijvoorbeeld: ➤ Orders werden alleen gematcht wanneer prijzen elkaar kruisen (geen onmogelijke invullingen). ➤ De volgorde van invullingen respecteerde de prioriteitsregel van de locatie (bijv. prijs-tijd prioriteit, of wat de locatie ook specificeert). ➤ Balansen/marges werden correct bijgewerkt (geen verborgen balansbewerkingen). ➤ De resulterende staat root is precies wat je krijgt door de regels toe te passen op de vorige staat root + de batch. Je kunt de inhoud privé houden (orders, groottes, posities) door te versleutelen wat er naar de DA-laag wordt gepubliceerd, terwijl het bewijs iedereen overtuigt dat de versleutelde update nog steeds een geldige staatstransitie is.

𝗥𝗼𝗯𝗼𝘁𝗶𝗰𝘀 𝘀𝗮𝗳𝗲𝘁𝘆 𝗿𝗲𝗴𝘂𝗹𝗮𝘁𝗶𝗼𝗻 𝘂𝗽𝗱𝗮𝘁𝗲𝘀 (𝗨𝗦/𝗘𝗨) Tegen het einde van 2025 ziet het regelgevingsverhaal voor "robots in openbare ruimtes" er anders uit in de EU dan in de VS. In de EU is de richting gericht op een enkele, gelaagde nalevingsstructuur: ➤ productveiligheid (voor de fysieke machine) ➤ cybersecurity (omdat robots verbonden zijn) ➤ en AI-governance (omdat autonomie en perceptie door AI worden aangedreven) Teams hebben documentatie, levenscycluscontroles en (in sommige gevallen) AI-risicoklassificatie werkstromen nodig die parallel lopen (klassieke regelgeving voor de EU, veel beperkingen en papierwerk). In de VS is het beeld meer sectorgebonden: de duidelijkste federale "updates" zitten in on-road autonomie (NHTSA-ongeluksrapportage en uitrol/exemptie paden) en drones (FAA Remote ID handhaving). Voor grondrobots op stoepen en in openbare binnenruimtes blijven de regels meer gefragmenteerd en vaak lokaal.

𝗧𝗿𝗮𝗰𝗸𝗶𝗻𝗴 𝗮𝗻𝗱 𝗼𝗯𝗷𝗲𝗰𝘁 𝗱𝗲𝘁𝗲𝗰𝘁𝗶𝗼𝗻 𝗳𝗼𝗿 𝗿𝗼𝗯𝗼𝘁𝗶𝗰𝘀 In de robotica is objectdetectie een momentopname: “er is een fles op (x, y) in dit frame.” Objecttracking is het moeilijkere, meer operationele ding: “dit is dezelfde fles als eerder, hij is zo verplaatst, en hij is er nog steeds, zelfs als ik hem 200 ms niet zie.” Stel je een mobiele manipulator voor op een keukentafel. De taak is eenvoudig op papier: pak de blauwe fles van een rommelige tafel terwijl een persoon in de buurt beweegt. De robot heeft een camera (misschien ook diepte). Hij draait een objectdetector en krijgt een bounding box gelabeld “fles” met een vertrouwensscore. Dat klinkt als waarneming. Dat is het nog niet. In frame 1 ziet de detector de fles. In frame 2 wordt de arm van de persoon gedeeltelijk geblokkeerd, het vertrouwen daalt, en de box verdwijnt. In frame 3 verschijnt de fles weer, maar de detector verschuift de box iets. Vanuit het perspectief van de planner is de fles uit het bestaan geblinkt en geteleporteerd. In rommel krijg je ook duplicaten: de detector kan twee plausibele “fles” boxes voor hetzelfde object produceren. Als de robot direct reageert op per-frame detecties, zie je klassieke faalgedragingen: ➤ hij aarzelt omdat het doel elke paar frames “ontbreekt,” ➤ hij plant constant opnieuw omdat de positie van het doel trilt, ➤ hij reikt naar het verkeerde object wanneer er twee vergelijkbare items verschijnen, ➤ hij kan niet betrouwbaar afdwingen “bots niet met de persoon” omdat de box van de persoon ook flikkert. Dit is waarom robotica-waarneming zelden stopt bij detectie. Het heeft objectpermanentie nodig: het vermogen om te zeggen “dit is nog steeds dezelfde fles, zelfs als ik hem kort uit het oog verlies.” Tracking is wat frame-voor-frame gissingen omzet in een stabiel wereldmodel. Een typische benadering is “tracking-door-detectie”: je draait nog steeds een detector elke frame, maar je koppelt detecties aan persistente tracks (ID's) in de tijd met behulp van voorspelling + associatie. Concreet doet de tracker drie dingen: ➤ Voorspel “waar zou de fles nu moeten zijn?” ➤ Associeer “welke detectie behoort tot welke track?” ➤ Behoud identiteit onder veranderingen Terug naar onze tafelscène: zodra je trackt, stopt de fles met knipperen. Het heeft een stabiele ID, een gladde positie-inschatting, en vaak een snelheidsschatting. Nu kan de planner zich gedragen als een volwassene: hij kan een korte omgevingsverandering afwachten, zich aan één doel committeren, en een veilige traject rond een bewegende persoon plannen. Zelfs met tracking weet de robot nog steeds niet wat hij doet in menselijke termen. Het heeft “Track #7” met een bounding box en misschien een klasse label “fles.” Dat is niet genoeg voor echte taken omdat echte taken gaan over relaties en intentie: ➤ “Pak de blauwe fles (niet de heldere).” ➤ “Reik niet over de persoon.” ➤ “De fles is achter de mok.” ➤ “Als de persoon ernaar reikt, pauzeer.” Dit is waar LLM's (vaak gekoppeld aan VLM's) kunnen helpen door te redeneren over een gestructureerde representatie van de scène die is opgebouwd uit tracks. De sleutel is dat de LLM in een stabiele toestand moet opereren. Als je het rauwe per-frame detecties geeft, krijg je lage redenering omdat zijn invoer flikkert. Tracking maakt de semantische laag coherent.