为了进一步提高陶瓷型芯自动激光去毛刺的精度，黄等人提出了一种结合全局和局部特征信息的点云配准方法，终总误差小于35 m。

由于铸件变形不均匀，优加工路线未知。因此，可以以理想的打磨加工路线为基准，定量衡量不同打磨路径的精度，从而确定哪种配准方法可以高精度地打磨路径。打磨路径生成的关键步骤。

基于设计模型和三维点云数据比较的方法已经成为许多数字设计过程的有效检测方法。点云匹配分为粗匹配和精匹配两个阶段。粗匹配算法包括主成分分析、四点同余、三维正态分布变换，以及局部特征描述，如快速点特征直方图特征。

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。

涡轮叶片、风力叶片、新能源客车车体、高铁车体等复杂零部件广泛应用于航空航天、能源、汽车、轨道交通等行业，其制造水平代表着一个国家制造业的竞争力。一般来说，复杂构件可以分为复杂曲面和复杂结构。前者的特点是自由曲面、薄壁表面和难加工材料，并要求高尺寸精度和表面质量。后者具有尺寸大、材料去除率高、多品种小批量生产的特点。在锻造、铸造、模制或机械加工之后，这些部件通常需要进行打磨或精加工，以进一步提高轮廓精度和表面光洁度。因此，掌握这种复杂零件的高精度打磨技术是制造业面临的严峻挑战。