财务数据和关键指标变化 - Q2收入为1560万美元 环比下降5% 同比下降5% [21] - Q2 GAAP毛亏损1240万美元 非GAAP毛亏损1080万美元 低于指引的500-1000万美元亏损区间 [23] - 2025全年收入指引下调至6700-7400万美元 较此前8200-9000万美元预期下降1500万美元 [27] - 2025年传感器出货量预期从3-33万下调至2-23万 [28] - 预计2025年Q4非GAAP运营费用将降至3000万美元低区间 [29] - 季度自由现金流为5300万美元 高于Q1的4400万美元 但显著低于去年同期的7800万美元 [26] 各条业务线数据和关键指标变化 - Q2 Iris传感器出货量约5000个 环比减少1000个 主要客户为沃尔沃 [22] - 1550纳米LiDAR技术在军事领域具有优势 包括长距离 恶劣天气性能和隐身能力 [8][9] - 正在开发HALO平台 计划2026年启动低产量原型生产线 [16][17] - 退出非核心数据与保险业务 预计2026年可节省2300万美元运营费用 [11] 各个市场数据和关键指标变化 - 汽车L3及以上自动驾驶进展慢于预期 公司转向商用车 安防和国防领域寻求短期收入 [7] - 国防领域已建立技术基础 参与地面军用自动驾驶车辆项目 [10] - 空中和海洋无人机领域因GPS干扰问题 LiDAR需求增长 [10] 公司战略和发展方向和行业竞争 - 战略聚焦四大方向：技术领先 商业市场拓展 运营效率提升 资产负债表强化 [4][5] - 生产从墨西哥迁至泰国 预计每传感器可节省数百美元成本 [12] - 计划年底完成下一代ASIC初步设计 为HALO平台奠定基础 [16] - 2026年目标交付HALO B样品 验证产品工业化准备度 [17] 管理层对经营环境和未来前景的评论 - 行业面临L3自动驾驶进展缓慢挑战 但LiDAR仍是实现高阶自动驾驶的关键技术 [5][6] - 商用车和国防领域单位经济效益更优 将成为近期重点 [7][8] - 预计2026年商业市场收入将显著增长 但未提供具体预测 [42] 其他重要信息 - 已减少2026年可转债面值约442亿美元 [13] - 5月发行3500万美元可转换优先股 后续可每98天增发3500万美元 [20] - 当前现金及等价物1.08亿美元 总流动性超5亿美元 [25] - 目标年底将2026年可转债余额降至1亿美元以下 [21] 问答环节所有的提问和回答 关于商业市场规模和HALO适用性 - 商业市场规模庞大 但未提供具体数据 未来将披露客户信息 HALO平台将同时适用于商业和汽车市场 [35] 关于Iris传感器经济效益 - 当前传感器售价低于成本 主要因产量低于预期 正通过生产转移至泰国等措施改善 [38][39] 关于商业市场收入时间表 - 已实现商业市场收入 预计2026年将持续增长 但未提供具体预测 [42] 关于L3自动驾驶和Robotaxi战略 - 仍专注于乘用车高阶自动驾驶 但进度慢于预期 因此调整资源分配 [45] 关于收入指引调整构成 - 收入指引下调中三分之二源于传感器出货减少 三分之一来自数据合同终止 [49] 关于智能基础设施市场竞争力 - 已在该市场实现收入 具备技术优势和价格竞争力 市场增长迅速 [51] 关于奔驰合作进展 - 正按开发协议推进 目标转化为量产协议 但最终决定权在奔驰 [54] 关于沃尔沃EX90项目 - 沃尔沃仍是重要合作伙伴 但出货量预期下调 正共同开发下一代HALO架构 [59] 关于OEM与技术公司合作模式 - 预计汽车制造商将继续投入自动驾驶 与LiDAR供应商的合作模式将动态演变 [61][63]

本论文共同第一作者为王昱然、吴睿海、陈越，导师为北京大学董豪老师。课题组致力于统一的物体表征操作研究，以实现具有可解释性和泛化能力的物体操作 策略。 在机器人操作领域，柔性物体，尤其是衣物的操控始终是一个值得关注的难题。与刚体或铰接物体相比，衣服具有近乎无限的状态空间，以及复杂的动力学特 性，这使得现有方法在应对衣物操作时表现欠佳。 董豪课题组已在柔性物体操作领域进行了诸多探索，其中：（1）GarmentLab作为首个全面的衣物和柔体操作环境与基准平台，提供了关于柔体、流体、可变形物 体的各种仿真和针对二指夹抓取的大量操作任务；（2）GarmentPile重点关注堆叠柔性物体的相关操作，通过功能可供性（Affordance）使机器人能够针对不同堆 叠状态下的衣服泛化并高效完成调整和操作。 （3）泛化能力强的策略框架 HALO 提出分层策略 HALO（Hierarchical gArment-manipuLation pOlicy），结合功能可供性（affordance）与扩散方法（diffusion），自动生成可泛化的操作轨迹，在面对 形状与状态变化巨大的衣物时，表现出优于现有模仿学习方法的稳定泛化能力。 然 ...