Perdereau，V提出了一种混合机器人位置控制方案。随后，周等人提出了一种基于自适应阻抗控制的打磨机器人混合控制策略近设计了一个模糊力控制器，在除锈过程中模仿人类的行为。随后，赵等人提出了一种基于模糊比例积分微分(PID)的力/位扰动抑制控制策略。对于预期的15 N接触力，所提出的控制策略可以实现13.4%的力控制精度，并且0.0362 mm的材料去除深度可以达到1.2微米的精度.朱等提出了一种基于一维力传感器PID控制器的动态控制方法。抛光表面的粗糙度Ra %3C 0.4微米，材料去除深度更稳定，偏差保持在0.003 mm，40 N时的均方差为0.37 N

为了弥补传统打磨方法的不足，提高铸件的打磨效率和精度，研究人员在判断和预测方面结合了智能传感装置和人工智能算法。主要成果包括基于图像视觉的打磨方法、激光传感、数据驱动的打磨预测、2.5D局部特征信息、设计模型与3D点云的比较等。

手工打磨可以根据实际情况，其中一道工序完成后需要进行观察和测量，实时对比图纸和尺寸后调整后续打磨策略。随着机器视觉的广泛应用，可以实现仿人打磨策略的实时反馈和智能规划。在人工智能技术的支持下，视觉传感器在广泛的智能应用中得到了应用，对促进打磨过程的改进起到了积极的作用.视觉传感器具有非接触检测、精度高、重复性强、速度快、稳定性好、成本低等优点

由于打磨过程的复杂性，其部分参数无法实时准确检测，这限制了基于模型的方法在工程实现中的应用。越来越多的研究人员正在使用数据驱动的方法来预测材料去除。

早在2005年，数据驱动方法就被应用于预测材料去除。Panda D使用人工前馈神经网络预测材料去除率.Mathew，j .等人使用人工神经网络分析材料去除量，并建立参数优化模型.Wang等人提出了一种使用神经网络和遗传算法的材料去除预测算法.为了保证打磨工作的全过程检测，有必要构建一个实时监控的焊缝间隙预测系统。于是，David Jin Hong研究了一种深度学习视觉系统