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。

根据这一框架，Yasuhiro Aoki于2019年提出将PointNet和LK算法扩展为单一可训练的递归深度神经网络，为深度学习在点云配准中的应用开辟了新的探索路径.2020年，何提出了PointNet++和ICP相结合的注册方法。PointNet++可以提取多个用作注册基础的特征，使用ICP算法计算旋转和平移。近，一些研究人员提出了智能配准的解决方案。刘等提出了一种基于深度学习的鲁棒点云配准方法称为点云深度循环网，利用基于主成分分析的平差网络快速调整两片点云之间的初始位置。Perez提出了一种刚性点云配准方法，称为点云配准学习(PREL)，它允许配准具有高位移或遮挡的点云。PREL算法不需要迭代过程，并且以非参数方式估计点分布。在高度闭塞的点集中，ICP方法显示平均均方根误差(RMSE)为98.8，其次是深度近点32.51和PREL 0.75。

几十年来，工业世界一直是机械化的——机器人焊接和处理材料，但他们也删除材料，并确保工件和成品的功能。A磨的机器人是许多机器人中的一个，负责确保工件上所有不的部分都被移除，确保产品对客户来说看起来很棒。

当制造商投资打磨机器人时，他们投资的是一种机械，这种机械可以比任何人工打磨应用更容易地去除焊接飞溅和其他缺陷。在机器人磨床使用其的工具去除那些可能使工件不起作用的缺陷后，加工的零件看起来很棒。这种准确性确保不会有太多的材料被去除，这意味着过去的许多工人错误不再是一个问题，并且随着机器人打磨系统的自动化，公司产生的废物量将大幅下降。

然而，这不仅仅是让一件作品看起来不错。这也关乎安全。打磨是一个向空气中释放大量金属碎片和其他颗粒的过程。因此，手工打磨可能对工人有害，他们可能会吸入这些碎片，这会对他们的呼吸系统造成严重破坏。这可能导致工人无法工作，这可能意味着生产线的减速或。机器人磨床不必担心这些危险。