李等研究了Q235钢、304不锈钢、TC4钛合金、6061铝合金、H62青铜合金、AMAK3锌合金、AZ31B镁合金等七种金属的机械火花产生。评价了摩擦火花的物理化学性质与其产生的关系。对于6061铝合金、H62青铜合金、AMAK3锌合金和AZ31B镁合金，在12 m/s的大摩擦速度和3.75 N/mm的大表面压力下没有观察到明亮的摩擦火花2由于低硬度、高导热性、低熔点和缺碳.

结果表明，在打磨过程中，材料去除量的估计和打磨轨迹的跟踪直接影响打磨精度。只有基于机器视觉的方法才能对硬度较高的金属产生明显的摩擦火花，因为软金属无法通过明显的外部画面现象进行预测；因此，存在局限性。多信息融合的数据驱动方法提供了另一种具有更完整信息的预测方法。基于视觉传感的判断打磨可用于工业结构的打磨作业，但由于打磨环境复杂、环境光照不足，其鲁棒性受到一定影响。

激光传感器也广泛应用于打磨领域。高，Y等开展了大型零件焊接前处理技术的机器人打磨技术研究，并采用了激光轮廓仪进行现场测量、规划和加工。在慕尼黑举行的AUTOMATICA 2018展会上，Fraunhofer IPA和Ros Industrial Cortium成员PILZ展示了一款现场测量-计划-过程打磨机器人。在前人研究的基础上，Ge等人进一步提出并构建了基于激光传感器的机器人焊缝打磨系统.机器人末端集成了传感装置和自制打磨工具，用于打磨作业。粗磨后焊缝高度保持在0.1 mm左右，精磨后平均表面粗糙度为0.351 μm。

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。