打磨工件以确保的力控制会降低加工效率。控制算法比被动柔顺恒力机构复杂得多。此外，当末端执行器接触工件或表面不规则时，力过冲将不可避免且相对较大。因此，研究人员使用被动柔顺机构来开发末端执行器，并进行了大量的研究。Mohammad等人提出了一种强制末端执行器设计，将其应用于机器人打磨系统，以使打磨工具柔顺并减少振动的影响.李永明提出了基于正负刚度机构组合的恒力机构(CFM)。折叠梁和双稳态梁机构的正负刚度用于抵消零刚度，以产生恒定的力。提出的CFM可以在恒力模式下产生2 mm的冲程范围，12.63 N，小12.43 N，平直度98.41%。

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。

用于刷洗、抛光、锉磨、砂带打磨或工具主轴的产品可轻松集成到这个新程序中，并针对连续操作进行设计和测试。

活动接触法兰

机器人进给运动和实际刀具路径和过程之间的结合。特别是对于圆形和不规则形状的工件和表面，人类的触觉，有助于以自适应的方式测量和监控所需的力。任何人都可以想象在车身车间或木工车间对一个特殊形状的零件进行打磨和抛光。在任何时候，当非线性操作或运动发生时，活动法兰将变得必要。

主动法兰的接触力是可编程的，表面跟踪是交互式的，重要的是，该系统可以集成在所有机器人上。过去不适合自动化的操作现在可以自动化。