铸造后处理现场打磨效果根据实践，打磨腔体红域时容易产生振动。手工打磨时，手持工件打磨过程中存在长时间的强烈振动暴露，导致手臂振动综合症，危害工人身体健康.频繁的振动还会磨工件和工具造成伤害，因为工具和工件在大振动时容易损坏。在机械打磨过程中，需要很大的保持力来固定铸件，而这个力可能会损坏铸件。受到较大振动干扰的传感装置不能地捕获待抛光的工件，并且采集的包含大量噪声的数据会影响打磨精度。大的振动导致末端执行器控制的大量噪音，并对设备的刚度产生影响。大的振动对工件的夹紧也有很大的影响，这意味着工件很容易变松。大的振动也会导致热碎片飞溅。

大学的徐和他的团队提出了一种基于恒力机制的机器人打磨末端执行器的设计。所设计的工业机器人驱动末端执行器进行抛光，末端执行器被动调节接触力。力的精度为0.3 N，使得工件的表面质量具有很高的一致性.

从上面提到的打磨机器人的发展，可以明显看出打磨机器人正在走向标准化。控制力和位移精度是末端执行器设计的主要研究方向。采用恒力打磨和恒力夹紧控制力，大大提高了打磨精度和夹紧稳定性。然而，由于材料特性和恒力机构尺寸的限制，当末端工具移动时，末端执行器具有不足的负载、过于复杂的结构和不足的平面刚度。

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。