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。

自动检测打磨过程中焊缝的打磨终点，监控打磨焊缝的几何变化。对大量实验打磨数据进行端到端处理的深度学习方法可以获得良好的材料去除预测结果.为了提高抛光机器人的精度，张等将声传感与XGBoost算法相结合，对砂带抛光中的材料去除进行预测，平均百分比误差为4.373%。

在预测打磨过程中的材料去除时，基于模型的方法主要关注打磨过程中的基本参数；因此，基于模型的方法产生高精度的材料去除结果。然而，许多因素影响打磨材料的预测。以神经网络为代表的数据驱动方法为处理和分析提供了解决方案。

对于个研究目标，从精度控制、柔顺控制和协同控制三个方面分析了机器人打磨复杂零件所面临的问题和挑战，以及它们对加工工件几何精度、表面完整性和加工效率的影响。对于本综述的第二个目的，整理了迄今为止机器人打磨领域的相关研究工作，并提供了克服挑战的各种策略和替代解决方案。研究视角主要集中在机器人打磨的高精度在线测量、打磨余量控制、恒接触力控制和表面完整性，从而有可能构建机器人打磨系统的“测量-操纵-加工”一体化。对于第三个目标，本研究工作的典型应用是成功实现机器人打磨涡轮叶片和大型复杂结构进行了讨论。此外，还提出了未来工作的一些研究方向，以促进复杂零件的机器人打磨在实际应用中更加智能和。