迄今为止，很少有人对手工打磨技术进行研究。2021年，赵景慧等人提出并开发了一种手持式可充电打磨工具，可以辅助人员维护遭受金属部件腐蚀和接触面氧化发热的动力设备，从而提高打磨速度。2022年，惠特莫尔(Whitmore，L)等人发明了一种精密打磨工具，用于手工打磨样品；该工具可由3D打印机制备并且可以打磨表面精度高达10微米的样品

手工打磨对人的依赖性很强，操作对象主要是小批量样品。手工打磨远远不能满足大批量、低成本工件打磨的要求，也无法避免打磨过程中的噪音、振动和划痕造成的损伤

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

在视觉识别过程中，打磨环境复杂，适应性好、精度高的传感设备是重点突破方向。传感设备需要准确感知工件的位置和形状等信息。感知后，可以使用高精度的匹配视觉算法。迫切需要改进登记工作。

高速打磨系统需要恒定打磨接触力的反馈控制。打磨力的高精度控制对于复杂零件打磨表面的一致性非常重要。恒力机构在打磨领域的应用为打磨力的控制提供了新的研究思路。

在打磨过程中，材料的去除量直接影响打磨精度。为了获得去除材料量的估计，需要离线测量来建立预测模型。目前，预测模型精度低，对环境影响严重。一个能够准确预测材料去除的模型可以在打磨材料去除过程中获得更高的效率和精度