自动检测打磨过程中焊缝的打磨终点，监控打磨焊缝的几何变化。对大量实验打磨数据进行端到端处理的深度学习方法可以获得良好的材料去除预测结果.为了提高抛光机器人的精度，张等将声传感与XGBoost算法相结合，对砂带抛光中的材料去除进行预测，平均百分比误差为4.373%。

在预测打磨过程中的材料去除时，基于模型的方法主要关注打磨过程中的基本参数；因此，基于模型的方法产生高精度的材料去除结果。然而，许多因素影响打磨材料的预测。以神经网络为代表的数据驱动方法为处理和分析提供了解决方案。

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。

用于刷洗、抛光、锉磨、砂带打磨或工具主轴的产品可轻松集成到这个新程序中，并针对连续操作进行设计和测试。

活动接触法兰

机器人进给运动和实际刀具路径和过程之间的结合。特别是对于圆形和不规则形状的工件和表面，人类的触觉，有助于以自适应的方式测量和监控所需的力。任何人都可以想象在车身车间或木工车间对一个特殊形状的零件进行打磨和抛光。在任何时候，当非线性操作或运动发生时，活动法兰将变得必要。

主动法兰的接触力是可编程的，表面跟踪是交互式的，重要的是，该系统可以集成在所有机器人上。过去不适合自动化的操作现在可以自动化。