大学的徐和他的团队提出了一种基于恒力机制的机器人打磨末端执行器的设计。所设计的工业机器人驱动末端执行器进行抛光，末端执行器被动调节接触力。力的精度为0.3 N，使得工件的表面质量具有很高的一致性.

从上面提到的打磨机器人的发展，可以明显看出打磨机器人正在走向标准化。控制力和位移精度是末端执行器设计的主要研究方向。采用恒力打磨和恒力夹紧控制力，大大提高了打磨精度和夹紧稳定性。然而，由于材料特性和恒力机构尺寸的限制，当末端工具移动时，末端执行器具有不足的负载、过于复杂的结构和不足的平面刚度。

市场要求铸件的低成本和大批量后处理，在批量铸造生产加工中，快速的制造速度可以大大缩短产品加工时间.为了实现高产量和低成本，需要快速的工作节奏。反过来，这需要快速响应。确保快速响应是当前提高工作速度必须解决的问题之一。没有快速的响应，很难实现抛光产品的批量生产或低成本生产。铸件表面的部分不需要高精度，可以牺牲以提高速度。当铸件与其他零件，要求精度高。同时，一般铸造加工的零件表面较薄，这是薄脆性铸造零件的特点。然而，由于使用脆性材料和复杂的表面，薄脆性更严重。目前，大多数打磨技术都是针对较重的零件，因此薄而脆的工件磨技术提出了新的要求。需要力控制技术中的准确和快速响应，以及用于打磨工件的的感知和规划策略。

为了获得实际的材料去除量，主要的方法是采用离线或在线测量，建立数学预测模型。近年来，研究人员利用图像视觉对材料去除的估计进行了大量的研究。Joshi等人使用机器视觉方法来获取和识别抛光表面上的表面图像的纹理特征，并使用基于机器视觉参数的回归模型来评估表面粗糙度.王等采用二维卷积神经网络学习算法对材料去除方法进行监控，从视觉信号中提取颜色、纹理、形状等特征。这些特征构成二维特征矩阵作为输入参数，砂带打磨过程中的材料去除率作为输出参数。该方法可用于预测不同砂带规格和不同打磨参数的材料去除率，适用于典型工况下材料去除率的回归预测。