铸件通常具有三维表面结构，并且存在大量的非结构凹面和非参数凸面。凹面不容易用手从内部抛光。由于大量的凹面，在机械打磨过程中，很难找到基准面或固定可夹紧的结合面。此外，在加工中没有基准，很难保证精度。此外，当采用智能打磨方法时，对于具有大曲率的凹面的数据收集很容易被阻塞，导致数据收集不完整。

圆形表面的简单特征不明显，存在大量非结构性表面.除了铸造外凸的外表面，还有大量的内凹表面，这是难的结构凹表面。这些表面降低了测量精度和打磨精度.现有的方法采用人工测量和抛光，机械和智能相结合的方法进行加工仍处于实验阶段。

在传统的高精度打磨中，由于效率低、精度低以及对工人健康的损害，已经不能满足市场需求。市场需要现代高精度打磨技术。现代打磨技术利用视觉加工实现高精度打磨；然而，市场上的大多数打磨技术使用2D视觉。在打磨系统中，通常采用2D视觉方法对工件进行打磨，可以方便地获取和处理与工件有关的简单数据。但如果形状复杂，采集的数据就不完整，设备的遮挡、精度低、路径规划都会产生干扰。3D视觉的发展非常迅速，一些研究人员已经开始研究在铸造后处理中使用3D视觉。但是，由于只有高精度的算法处理才能获得高精度的数据，因此仍然存在速度慢、精度低的问题；这些数据可用于工件的抛光和高精度打磨规划。高精度校准和配准算法是高精度打磨的必要条件。近年来，为了弥补传统打磨的不足，研究者们对智能打磨方法进行了大量的探索。

基于激光传感器的抛光机器人面对工厂恶劣的打磨环境有着的优势，即不受环境光的影响，精度也能满足铸件后处理的要求。通过数据驱动的预测方法可以在线预测打磨精度。

打磨表面粗糙度被认为是加工质量的关键指标之一.然而，由于磨粒分布的随机性和复杂性，很难预测。为了准确地估计抛光表面的粗糙度，有必要用多种方法获得打磨去除的材料量。通过打磨去除的材料量与多个参数有关，例如进给速度、转速、接触应力、打磨时间、工件材料、工件的几何特征以及磨头的状况。为

广泛使用的基于模型的方法是普雷斯顿方程，根据该方程，打磨期间的材料去除率与压力和介质与工件之间的相对速度成比例。