这些工业机器人能够承受高水平的灰尘、颗粒和碎片而不会失效。人类工人在完成打磨工作时冒着安全风险，因为吸入有毒化学物质或接触其他碎片会导致短期和长期的健康影响。工人受伤会导致生产延迟，从而增加成本和时间。与工人不同，机器人可以昼夜不停地工作，不需要休息，也没有受伤的风险。打磨机器人进一步减少周期时间每分钟能够移除几立方毫米的材料，这一速度比人类工人快得多。

打磨机器人为制造商的生产线提供了更大的灵活性。这些机器人不仅能够完成打磨应用，还能够完成其他应用，如材料搬运。事实上，随着刀具更换器像机器人一样的机器人安川MH-50可以表演物料输送和抛光应用，例如打磨，都在同一个工作单元内进行。这为公司节省了劳动力成本，因为同一个机器人可以执行与多个应用程序相关的工作。

粗匹配的精度达不到制造业规定的精度，必须通过精匹配进一步提高精度。

传统的精细匹配算法以ICP算法为代表。该算法的原理是旋转矩阵稀有和平移向量T通过求解点集的ICP算法的公式(4)获得P我和X我。

该算法对于重叠率高、初始位置接近的点云具有良好的配准效果，但在计算量和迭代收敛速度方面存在不足。通过粗匹配，ICP算法可以解决重叠度低和初始位置差异大的问题。由于人工智能算法的发展，研究人员也对基于深度学习的点云智能配准进行了大量的研究。

传统点云配准方法

在传统配准算法的基础上，通过分析进一步提高了算法的速度和精度；传统算法的性能原理

基于Welsch函数的稳健误差测量方法的引入是为了实现与稀疏ICP相似或更好的准确性，同时将速度提高一个数量级。本发明为打磨机器人感知数据的获取提供了理论和方法支持，并能进一步提高打磨工件的复杂度。

智能点云配准方法

基于端到端学习的方法可用于使用端到端神经网络解决注册问题。端到端学习方法将配准问题转化为回归问题，并将转化估计嵌入神经网络中。

由于智能点云配准方法的发展较晚，齐在2017年提出了一个名为PointNet的神经网络，为分类，分割和场景语义分析等应用提供了一个统一的框架。