Potrivirea verificabilă prin ZK este o modalitate de a rula un carnet de ordine rapid și privat, oferind totodată utilizatorilor o garanție criptografică că motorul de potrivire respectă regulile. Problema pe care o rezolvă este simplă: un CLOB are nevoie de un operator (sau de un set mic de operatori) pentru a potrivi rapid ordinele, dar acel operator poate trișa (reordonare, sărit sau completat selectiv). ZK schimbă modelul de încredere: operatorul poate rămâne rapid, dar nu poate finaliza o actualizare decât dacă dovedește că a fost calculată corect. Cum funcționează (conceptual) ➤ Ordinele sunt colectate și potrivite off-chain (astfel încât să poți obține execuție cu latență scăzută). ➤ În loc să publice fluxul complet de ordine, sistemul publică: - un angajament față de tranziția batch / stare (adesea o rădăcină de stare) - o dovadă zk că potrivirea + verificările riscului + actualizările de echilibru au fost realizate conform regulilor protocolului, - disponibilitate suficientă de date astfel încât utilizatorii să poată ieși chiar dacă operatorul dispare. Acea "disponibilitate suficientă de date" este ceea ce face ca alegerea de design a lui @hibachi_xyz să fie interesantă: Hibachi rulează un CLOB de înaltă performanță și postează date criptate de stat/tranzacționare către @Celestia (deci strategiile și pozițiile nu sunt publice), publicând în același timp dovezi pentru ca actualizările să rămână verificabile, folosind SP1 (zkVM de la Succinct) pentru a demonstra CLOB-ul. Dar ce înseamnă "potrivirea a fost corectă" în termeni de dovadă? O probă zk poate impune aceiași invarianți pe care în mod normal te-ai baza pe un operator de schimb să îi urmeze, de exemplu: ➤ Comenzile erau egalate doar când prețurile se încruzeau (fără umpleri imposibile). ➤ Secvența de umplere respecta regula priorității locației (de exemplu, prioritate preț-timp sau orice specifică locația). ➤ Soldurile/marjele au fost actualizate corect (fără modificări ascunse ale soldului). ➤ Rădăcina de stare rezultată este exact ceea ce obții aplicând regulile la rădăcina de stare anterioară + lotul. Poți păstra conținutul privat (ordine, dimensiuni, poziții) criptând ceea ce este publicat în stratul DA, în timp ce dovada convinge pe toată lumea că actualizarea criptată este încă o tranziție de stare validă.

Actualizări privind reglementările privind siguranța roboticii (SUA/UE) Până la sfârșitul anului 2025, povestea reglementărilor pentru "roboții în spațiile publice" arată diferit în UE față de SUA. În UE, direcția este către un singur stack de conformitate stratificat: ➤ Siguranța produsului (pentru mașina fizică) ➤ securitate cibernetică (pentru că roboții sunt conectați) ➤ și guvernanța AI (pentru că autonomia și percepția sunt conduse de AI) Echipele au nevoie de documentație, controale ale ciclului de viață și (în unele cazuri) de fluxuri de lucru pentru clasificarea riscurilor AI care rulează în paralel (reglementări clasice pentru UE, multe limitări și hârțogăraie). În SUA, situația este mai mult bazată pe sectoare: cele mai clare "actualizări" federale se bazează pe autonomia pe drumuri (raportarea accidentelor NHTSA și căile de implementare/excepție) și dronele (aplicarea FAA Remote ID). Pentru roboții de la sol de pe trotuare și spațiile publice interioare, regulile rămân mai fragmentate și adesea locale.

Urmărirea și detectarea obiectelor pentru robotică În robotică, detecția obiectelor este o instantanee: "există o sticlă la (x, y) în acest cadru." Urmărirea obiectelor este partea mai dificilă, mai operațională: "aceasta este aceeași sticlă ca înainte, s-a mișcat așa și tot este acolo chiar dacă nu o văd timp de 200 ms." Imaginează-ți un manipulator mobil la blatul din bucătărie. Sarcina este simplă pe hârtie: să ia sticla albastră de pe o masă aglomerată în timp ce o persoană se mută în apropiere. Robotul are o cameră (poate și profunzime). Acesta rulează un detector de obiecte și primește o cutie de delimitare etichetată "sticlă" cu un scor de încredere. Asta sună a percepție. Încă nu este. La cadrul 1, detectorul vede sticla. La cadrul 2, brațul persoanei îl ascunde parțial, încrederea scade, iar cutia dispare. La cadrul 3, sticla reapare, dar detectorul deplasează ușor cutia. Din perspectiva planificatorului, sticla a dispărut din existență și s-a teleportat. În dezordine, apar și duplicate: detectorul poate produce două cutii "sticlă" plauzibile pentru același obiect. Dacă robotul reacționează direct la detectările pe cadru, observi comportamente clasice de defectare: ➤ ezită pentru că ținta "lipsește" la câteva cadre, ➤ se replanifică constant pentru că poziția țintă tremură, ➤ întinde mâna spre obiectul greșit când apar două obiecte similare, ➤ nu poate aplica în mod fiabil "nu coliziți cu persoana" pentru că și cutia persoanei pâlpâie. De aceea, percepția robotică rareori se oprește la detectare. Are nevoie de permanență a obiectului: abilitatea de a spune "aceasta este aceeași sticlă, chiar dacă o pierd din vedere pentru scurt timp." Urmărirea este ceea ce transformă presupunerile cadru cu cadru într-un model stabil al lumii. O abordare tipică este "urmărirea prin detectare": rulezi în continuare un detector la fiecare cadru, dar atașezi detecțiile la urmăriri persistente (ID-uri) în timp folosind predicție + asociere. Concret, trackerul face trei lucruri: ➤ Prezice "unde ar trebui să fie sticla acum?" ➤ Asociază "care detecție aparține cărei pistă?" ➤ Menținerea identității sub schimbări Revenind la scena noastră de la masă: odată ce urmărești, sticla încetează să mai clipească. Are un ID stabil, o estimare a poziției netezită și adesea o estimare a vitezei. Acum planificatorul se poate comporta ca un adult: poate aștepta să treacă o scurtă schimbare de mediu, să se angajeze asupra unei ținte și să planifice o traiectorie sigură în jurul unei persoane în mișcare. Chiar și cu urmărirea, robotul încă nu știe ce face în termeni umani. Are "Track #7" cu o casetă de delimitare și poate o etichetă de clasă "bottle". Asta nu este suficient pentru sarcini reale, deoarece sarcinile reale țin de relații și intenție: ➤ "Alege sticla albastră (nu pe cea clară)." ➤ "Nu întinde mâna peste persoană." ➤ "Sticla e în spatele cănii." ➤ "Dacă persoana întinde mâna spre el, oprește-te." Aici LLM-urile (adesea asociate cu VLM-uri) pot ajuta prin raționamentul asupra unei reprezentări structurate a scenei construite din piste. Cheia este că LLM-ul trebuie să funcționeze într-o stare stabilă. Dacă îi dai detecții brute pe cadru, vei avea un raționament scăzut pentru că intrările pâlpâie. Urmărirea face stratul semantic coerent.