O matching verificável por ZK é uma forma de executar um livro de pedidos rápido e privado, mas ainda assim oferece aos usuários uma garantia criptográfica de que o motor de correspondência seguiu as regras. O problema que ele resolve é simples: um CLOB precisa de um operador (ou um pequeno conjunto de operadores) para igualar ordens rapidamente, mas esse operador também pode trapacear (reordenar, pular ou preencher seletivamente). ZK muda o modelo de confiança: o operador pode se manter rápido, mas não pode finalizar uma atualização a menos que prove que foi calculada corretamente. Como funciona (conceitualmente) ➤ Ordens são coletadas e combinadas fora da cadeia (para que você possa obter execução de baixa latência). ➤ Em vez de publicar o fluxo completo de ordens, o sistema publica: - um compromisso com a transição de lote/estado (frequentemente uma raiz de estado) - uma prova zk de que as atualizações de correspondência + verificações de risco + saldo foram feitas de acordo com as regras do protocolo, - disponibilidade suficiente de dados para que os usuários ainda possam sair mesmo que o operador desapareça. Essa "disponibilidade suficiente de dados" é onde a escolha de design da @hibachi_xyz é interessante: A Hibachi está rodando um CLOB de alto desempenho e postando dados criptografados de estado/negociação para @Celestia (então estratégias e posições não são públicas), enquanto ainda publica provas para que as atualizações permaneçam verificáveis, usando o SP1 (zkVM da Succinct) para comprovar o CLOB. Mas o que significa "correspondência correta" em termos de prova? Uma prova zk pode impor os mesmos invariantes que normalmente você confiaria em um operador de troca para seguir, por exemplo: ➤ Os pedidos eram igualados apenas quando os preços se cruzavam (sem preenchimento impossível). ➤ A sequência de preenchimento respeitou a regra de prioridade do local (por exemplo, prioridade preço-tempo, ou o que o local especificar). ➤ Saldos/margens foram atualizados corretamente (sem edições ocultas de saldo). ➤ A raiz de estado resultante é exatamente o que você obtém ao aplicar as regras à raiz de estado anterior + o lote. Você pode manter o conteúdo privado (ordens, tamanhos, posições) criptografando o que é publicado na camada DA, enquanto a prova convence todos de que a atualização criptografada ainda é uma transição de estado válida.

Atualizações da regulamentação de segurança robótica (EUA/UE) Até o final de 2025, a história regulatória para "robôs em espaços públicos" é diferente na UE em comparação com os EUA. Na UE, a direção é para uma única pilha de conformidade em camadas: ➤ Segurança do produto (para a máquina física) ➤ Cibersegurança (porque robôs estão conectados) ➤ e governança da IA (porque autonomia e percepção são impulsionadas pela IA) As equipes precisam de documentação, controles do ciclo de vida e (em alguns casos) de fluxos de trabalho de classificação de risco de IA rodando em paralelo (regulamentação clássica para a UE, muitas limitações e papelada). Nos EUA, o quadro é mais baseado em setores: as "atualizações" federais mais claras estão na autonomia na estrada (relatos de acidentes da NHTSA e caminhos de implantação/isenção) e drones (fiscalização remota de identificação da FAA). Para robôs terrestres em calçadas e locais públicos internos, as regras permanecem mais fragmentadas e frequentemente locais.

Rastreamento e detecção de objetos para robótica Em robótica, a detecção de objetos é um instantâneo: "há uma garrafa em (x, y) neste quadro." Rastreamento de objetos é a coisa mais difícil e operacional: "essa é a mesma garrafa de antes, ela se moveu assim, e ainda está lá mesmo que eu não veja por 200 ms." Imagine um manipulador móvel em um balcão da cozinha. A tarefa é simples no papel: pegar a garrafa azul de uma mesa bagunçada enquanto uma pessoa se move por perto. O robô tem uma câmera (talvez profundidade também). Ele executa um detector de objetos e recebe uma caixa delimitadora rotulada como "garrafa" com um índice de confiança. Isso parece percepção. Ainda não é. No quadro 1, o detector vê a garrafa. No frame 2, o braço da pessoa o oclui parcialmente, a confiança cai e a caixa desaparece. No quadro 3, a garrafa reaparece, mas o detector move levemente a caixa. Do ponto de vista do planejador, a garrafa desapareceu e se teleportou. Na bagunça, você também tem duplicatas: o detector pode produzir duas caixas "garrafa" plausíveis para o mesmo objeto. Se o robô reage diretamente às detecções por quadro, você vê comportamentos clássicos de falha: ➤ hesita porque o alvo está "faltando" a cada poucos quadros, ➤ ele replaneja constantemente porque a posição alvo treme, ➤ ele alcança o objeto errado quando dois itens semelhantes aparecem, ➤ não consegue aplicar de forma confiável "não colida com a pessoa" porque a caixa da pessoa também pisca. É por isso que a percepção robótica raramente para na detecção. Precisa de permanência do objeto: a capacidade de dizer "esta ainda é a mesma garrafa, mesmo que eu a perca de vista por um momento." O rastreamento é o que transforma palpites quadro a quadro em um modelo de mundo estável. Uma abordagem típica é o "rastreamento por detecção": você ainda executa um detector a cada quadro, mas anexa detecções a trilhas persistentes (IDs) ao longo do tempo usando previsão + associação. Concretamente, o rastreador faz três coisas: ➤ Prever "onde a garrafa deve estar agora?" ➤ Associate "qual detecção pertence a qual trilha?" ➤ Manter identidade sob mudanças Voltando à nossa cena da mesa: quando você acompanha, a garrafa para de piscar. Possui um ID estável, uma estimativa de posição suavizada e frequentemente uma estimativa de velocidade. Agora o planejador pode agir como um adulto: pode esperar uma breve mudança no ambiente, comprometer-se com um objetivo e planejar uma trajetória segura em torno de uma pessoa em movimento. Mesmo com rastreamento, o robô ainda não sabe o que está fazendo em termos humanos. Tem "Faixa #7" com uma caixa delimitadora e talvez uma etiqueta de classe "bottle". Isso não é suficiente para tarefas reais porque tarefas reais são sobre relações e intenção: ➤ "Escolha a garrafa azul (não a clara)." ➤ "Não estenda a mão através da pessoa." ➤ "A garrafa está atrás da caneca." ➤ "Se a pessoa estiver alcançando, faça uma pausa." É aí que LLMs (frequentemente combinados com VLMs) podem ajudar ao raciocinar sobre uma representação estruturada da cena construída a partir de trilhas. O ponto chave é que o LLM deve operar em um estado estável. Se você alimentar com detecções brutas por quadro, terá raciocínio baixo porque os comandos piscam. O rastreamento torna a camada semântica coerente.