初始状态模腔有明显的棱角，使用时间短后磨损中的变形会随着使用次数的增加而出现。经过较长时间后的变形和破坏状态过大，且形状完全不同。当变形量较小时，铸件不会直接报废，但会对铸件的后期加工提出挑战。

手工打磨时，为了保证铸件的整体形状不受倾斜时间的影响，工人需要根据测量值判断是否存在变形，以及变形的形式，然后采用材料去除的手段对铸件进行后期加工。清除量和清除方法是根据工人的测量和过去的经验确定的。因为存在一定的变形，过度去除会直接导致产品报废。在机械打磨中，也需要根据测得的变形来判断这种情况。当移除材料以进行变形校正时，需要修改机械设备的参数。

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

所获得的图像数据受到材料和环境的严重影响。基于2.5D局部特征信息的打磨方法采用基于传感装置的特征识别算法和深度预估方法相结合，实现基于部分深度信息的打磨深度；但是深度信息不准确，特征识别需要多次设置。基于设计模型和三维点云对比打磨方法，可以使用激光传感器和配准算法获得具有三维信息的三维点云数据，从而为路径规划提供准确的信息。

表1说明工业机器人在加工大型零件方面有优势。与数控机床相比，机械臂在成本方面表现较好，空间大，灵活性好，但进给的一致性较差。大型或轻型工件的机器人加工难以实现自动化，串联结构刚度低，导致加工过程稳定性差。因此，并联打磨机器人具有很大的发展潜力。