铸件抛光是铸件后处理的主要手段；但是，在此过程中产生的粉尘无法控制，大量的铬粉和镍颗粒会对环境造成危害.由于吸入粉尘，手工打磨会导致呼吸道和肺部疾病，甚至尘。而且人工抛光效率低，工件产品一致性差，报废率高。在机械打磨过程中，高密度灰尘会影响夹紧操作中使用的设备。高密度灰尘附着在设备上，灰尘会降低夹紧设备的精度和稳定性。当采用智能打磨方案时，密封机器人和传感设备，从而防止灰尘进入是一个挑战。此外，高密度的灰尘会阻挡传感设备的表面，这意味着它们无法准确地做出判断。同时，大的振动会对现场操作产生严重影响。

初始状态模腔有明显的棱角，使用时间短后磨损中的变形会随着使用次数的增加而出现。经过较长时间后的变形和破坏状态过大，且形状完全不同。当变形量较小时，铸件不会直接报废，但会对铸件的后期加工提出挑战。

手工打磨时，为了保证铸件的整体形状不受倾斜时间的影响，工人需要根据测量值判断是否存在变形，以及变形的形式，然后采用材料去除的手段对铸件进行后期加工。清除量和清除方法是根据工人的测量和过去的经验确定的。因为存在一定的变形，过度去除会直接导致产品报废。在机械打磨中，也需要根据测得的变形来判断这种情况。当移除材料以进行变形校正时，需要修改机械设备的参数。

根据这一框架，Yasuhiro Aoki于2019年提出将PointNet和LK算法扩展为单一可训练的递归深度神经网络，为深度学习在点云配准中的应用开辟了新的探索路径.2020年，何提出了PointNet++和ICP相结合的注册方法。PointNet++可以提取多个用作注册基础的特征，使用ICP算法计算旋转和平移。近，一些研究人员提出了智能配准的解决方案。刘等提出了一种基于深度学习的鲁棒点云配准方法称为点云深度循环网，利用基于主成分分析的平差网络快速调整两片点云之间的初始位置。Perez提出了一种刚性点云配准方法，称为点云配准学习(PREL)，它允许配准具有高位移或遮挡的点云。PREL算法不需要迭代过程，并且以非参数方式估计点分布。在高度闭塞的点集中，ICP方法显示平均均方根误差(RMSE)为98.8，其次是深度近点32.51和PREL 0.75。