ZK検証可能なマッチングは、高速でプライベートな注文帳を運用しつつ、マッチングエンジンがルールに従っていることを暗号学的に保証する方法です。 解決する問題はシンプルです:CLOBは注文を素早くマッチングするためにオペレーター(または少数のオペレーター)が必要ですが、そのオペレーターは不正行為(順序付け直し、スキップ、選択的入力)も可能です。 ZKは信頼モデルを変えます。オペレーターは高速でいられますが、正しく計算されたことを証明しない限り更新を最終決定できません。 仕組み(概念的には) † 注文はオフチェーンで収集・マッチングされるため(低遅延実行が可能です)。 † システムは完全な注文フローを公開する代わりに、次の情報を公開します: - バッチ/状態遷移へのコミットメント(多くの場合、状態ルート) - マッチング+リスクチェック+バランスの更新がプロトコルルールに従って行われたことを示すzk証明、 - オペレーターがいなくなった場合でもユーザーが退出できる十分なデータ利用可能性。 「十分なデータ可用性」が@hibachi_xyzの設計選択の興味深い点です。 Hibachiは高性能CLOBを実行し、暗号化された状態/取引データを@Celestiaに投稿しています(そのため戦略やポジションは公開されません)一方で、更新が検証可能にできるよう証明も公開しています。SP1(SuccinctのzkVM)を使ってCLOBを証明しています。 しかし、「一致が正しかった」というのは証明の意味とは何でしょうか? zk証明は、通常交換演算子が従うべき不変量を強制できます。例えば: † 注文は価格が交差した時のみマッチングされ(不可能なフィルはなし)。 † フィルシーケンスは会場の優先順位ルール(例:価格・時間優先権、または会場が指定するもの)を尊重していました。 † 残高やマージンは正しく更新されていました(隠れた残高編集はありません)。 † 結果として得られる状態根は、前の状態根+バッチにルールを適用した結果とまったく同じものです。 内容(順序、サイズ、位置)をDA層に公開したものを暗号化することで秘密に保てます。証明によって暗号化された更新が依然として有効な状態遷移であると皆に納得させることができます。

ロボティクス安全規制の最新情報(米国/EU) 2025年末までに、「公共空間におけるロボット」に関する規制の状況は、EUと米国で異なる様相を呈しています。 EUでは、単一の層状のコンプライアンススタックへの方向性が示されています。 † 製品安全(物理機械用) † サイバーセキュリティ(ロボットがつながっているため) そしてAIガバナンス(自律性と認識はAI主導だから) チームはドキュメント、ライフサイクル管理、そして(場合によっては)AIリスク分類のワークストリームを並行して動かす必要があります(EUの古典的な規制で、多くの制限や書類作業があります)。 アメリカでは、よりセクターごとに状況が分かりやすく、最も明確な連邦の「更新」は、道路上の自律性(NHTSAの衝突報告および配備・免除経路)とドローン(FAAのリモートID執行)にあります。 歩道や屋内公共施設の地上ロボットについては、規則がより断片的で、しばしば地域に限定されています。

ロボット工学における追跡および物体検出 ロボティクスにおいて、物体検出とはスナップショットのことです。すなわち、「このフレームの(x, y)に瓶がある」ということです。 オブジェクトトラッキングはより難しく、操作的なものです。「これは以前と同じボトルで、こう動いていて、200ミリ秒見えなくてもまだそこにある」という感じです。 キッチンのカウンターに移動式マニピュレーターを想像してください。紙の上では簡単な作業です:近くで人が動いている間に散らかったテーブルから青い瓶を取るだけです。 ロボットにはカメラ(おそらく奥行きも)が付いています。オブジェクト検出器を実行し、「ボトル」とラベル付けされたバウンディングボックスと信頼度スコアを取得します。それは認識の問題のように聞こえます。まだそうではありません。 フレーム1で検出器はボトルを検出します。2フレーム目で、その人の腕が部分的にそれを覆い、自信が下がり、ボックスが消えます。フレーム3でボトルが再び現れますが、検知器が箱をわずかにずらします。プランナーの視点では、瓶は消えてテレポートした。 雑多なものでは重複も起こります。検出器は同じ物体に対して2つのもっともらしい「ボトル」ボックスを生成することがあります。ロボットがフレームごとの検出に直接反応した場合、典型的な故障挙動が見られます: † ターゲットが数フレームごとに「欠けている」ためためらう、 † ターゲット位置が揺れるため、常に再計画されます。 † 似た物体が二つ現れた場合、間違った物体に手を伸ばす † 「人に衝突しないように」を確実に強制できません。なぜなら、その人のボックスもちらつくからです。 だからこそ、ロボットの知覚は検出だけで止まることはほとんどありません。それはオブジェクトの永続性を必要とします。つまり、「たとえ一瞬見失っても、これは同じボトルだ」と言える能力です。 トラッキングこそがフレームごとの推測を安定した世界モデルに変えるものです。 典型的な方法は「検出によるトラッキング」で、毎フレーム検出器を実行しつつ、予測+アソシエーションを使って永続的なトラック(ID)に検出を時間的に付与します。 具体的には、トラッカーは以下の3つのことをします。 † 「今、ボトルはどこに置くべきか?」を予測する † 「どの検出がどのトラックに属しているか?」と関連付ける † 変化の中でもアイデンティティを維持する テーブルのシーンに戻りますが、一度追跡するとボトルの点滅は止まります。安定識別、平滑化された位置推定値、そしてしばしば速度推定値を持ちます。これでプランナーは大人のように振る舞えます。短い環境の変化を待ち、一つの目標に集中し、動く人の周りで安全な軌道を計画できます。 追跡があっても、ロボットは人間の言葉で何をしているのか分かっていません。「トラック#7」とバウンディングボックス、そしてクラスラベル「bottle」があるかもしれません。実際のタスクにはそれだけでは不十分です。なぜなら、実際のタスクは関係性と意図が関係だからです: † 「青いボトル(透明なものではなく)を選んでください。」 † 「相手を越えて手を伸ばさないでください。」 † 「ボトルはマグカップの後ろにある。」 †「相手がそれに手を伸ばしているなら、一時停止。」 ここでLLM(しばしばVLMと組み合わせて)が、トラックから構築されたシーンの構造化表現を推論することで役立ちます。 重要なのは、LLMが安定した状態で動作しなければならないことです。フレームごとに生の検出を入力すると、入力がちらつき、論理的な判断が低くなります。トラッキングはセマンティックレイヤーを一貫性のあるものにします。