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。

该方法使用产品设计模型来设计尺寸公差规格，以预测工件几何模型中的可能变化，使用迭代近点(ICP)方法来将每个点云与来自工件的测量点云进行匹配.为了进一步提率和精度，魏提出了一种自动评定铸件加工余量的方法。扫描的点云数据通过“初始对准”和“配准”两个阶段与设计模型对准，以找到配准，并基于配准结果评估加工余量.

在工件打磨方面，胡等开发了机器人去毛刺倒角系统，其中操作人员可以选择计算机辅助设计(CAD)模型上的任何特征，并将所选特征导出用于轨迹生成的刀具路径。然而，人工特征选择是低效的。张等提出了一种用于精密铸造有几何偏差叶片的自适应打磨方法.将叶片的测量数据与设计模型进行匹配，求解相应的匹配矩阵，确定铸造叶片的位置。

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