反复修改设备参数和铸件变形判断会降低工作效率，导致产品因错误而报废.智能方法可以匹配和识别微小变形，并达到0.052 mm的精度.但是，根据经验来判断和预测打磨模式，就像打磨工人一样，仍然处于实验和验证阶段。

许多挑战，例如打磨环境中的大量噪声、非结构铸件实体中的时间变化以及整体形状中的倾斜，限制了铸件打磨工艺的发展。非结构铸件和形状上的整体倾向是铸件设计和生产过程中的问题，并且经受大量噪音的抛光环境是铸件后处理中的问题。科研人员有必要改进铸造过程和铸造后处理过程中的检测方法，用先进的工业机器人和传感器结合先进的算法来代替人工检测。

打磨工件以确保的力控制会降低加工效率。控制算法比被动柔顺恒力机构复杂得多。此外，当末端执行器接触工件或表面不规则时，力过冲将不可避免且相对较大。因此，研究人员使用被动柔顺机构来开发末端执行器，并进行了大量的研究。Mohammad等人提出了一种强制末端执行器设计，将其应用于机器人打磨系统，以使打磨工具柔顺并减少振动的影响.李永明提出了基于正负刚度机构组合的恒力机构(CFM)。折叠梁和双稳态梁机构的正负刚度用于抵消零刚度，以产生恒定的力。提出的CFM可以在恒力模式下产生2 mm的冲程范围，12.63 N，小12.43 N，平直度98.41%。

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。