在实际打磨中，刀具和工件不是单点接触，而是区域接触，这与普雷斯顿的假设不符。使用经典普雷斯顿假设的计算将导致对材料去除的不准确估计.为此，王等基于赫兹接触理论和局域打磨模型，进一步预测了机器人砂带打磨的切削深度并发现当切削深度约为0.3 mm时，预测误差小于3.1%。与简化的赫兹理论模型相比，考虑接触弹性变形后，朱等人提出的材料去除模型的均方根值和平均百分误差分别从2.401降低到1.725和18.426降低到14.942%。由于人工智能的广泛使用，已经提出了许多基于数据驱动的材料去除预测的方法来解决材料去除预测问题。

几何推理方法计算的其他参数存在误差，基于提示的特征识别系统需要工件中的提示特征。因此，必须使用3D视觉技术进行深度和加工。

4.5.基于设计模型与三维点云对比的打磨方法

在基于设计模型和3D点云之间的比较的打磨方法中，从检测到的工件的实时模型中减去待抛光工件的3D设计模型，并且实时模型和原始3D数字模型之间的差异表示要抛光的部分。匹配两组数据，以便于比较工件缺陷误差。Kuss提出了一种检测工件形状偏差的方法，以适应机器人打磨加工。

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。