机器人磨抛力柔顺控制研究进展

葛吉民 邓朝晖 李 尉 李重阳 陈 曦 彭德平

1.湖南科技大学难加工材料高效精密加工湖南省重点实验室，湘潭，4111002.湖南科技大学智能制造研究院，湘潭，411100 3.上汽大众长沙分公司，长沙，410000 4.湘潭华进重装有限公司，湘潭，411100

0 引言

随着工业科技的进步和制造业的发展，零件逐渐向大尺寸、高纵横比、复杂结构方向发展，且尺寸精度和表面质量要求越来越高[1]。这类零件最后的工艺都是磨削或精加工，以进一步提高轮廓精度和表面光洁度。小批量、多种类零件的生产大多采用的手工磨抛存在生产效率低、成本高、加工质量一致性差等问题[2]。伴随着机器人技术的逐渐成熟，机器人磨抛解决了人工磨抛存在的一系列问题，因此，低成本、高灵巧度、高一致性的机器人磨抛具有广阔的发展前景[3-5]。近年来，磨抛机器人在汽车、航空航天、轨道交通等行业扮演着越来越重要的角色[6-7]。

需要指出的是，机器人在磨抛过程中与工件接触,产生相互作用力。磨抛加工中，力的波动将导致工艺结构的振动[8]和形变，产生划痕和磨痕，以及过切和欠切，严重影响最终的加工表面质量，无法保证磨抛精度[9]。刀具与工件之间的接触力应保持在一定范围内，接触力过小，机器人与工件会脱离接触；接触力过大，工件或工具可能损坏。精确控制机器人磨抛力是解决上述问题、实现机器人高性能加工、保证复杂表面零件和薄壁工件的表面一致性和轮廓精度的关键[10-11]。工业机器人具有刚性小、受力复杂、强耦合[12]等特点，导致磨抛力难以控制，所以机器人磨抛力控制技术一直是该领域研究的难点和热点[13]。

力控制技术是机器人磨抛系统的核心技术[14-15]，为保证机器人磨抛时的表面质量，更精准地控制机器人磨抛过程，需要利用外部传感器感知机器人末端与工件的接触力，获得加工环境信息，实现机器人的主动力柔顺控制。部分学者从不同的角度来研究主动力控制策略，包括：传统的阻抗控制[16-20]和力/位混合控制[21-26]，以及先进的自适应控制[27-32]、智能控制[33-43]等。传统控制方法很难得到磨抛时的环境信息，难以准确控制磨抛力；先进控制方法建模困难、具体控制过程而难以用于实际加工。如何将传统控制方法和先进控制理论更好地结合成为亟需解决的问题。部分学者从机械结构设计的角度来实现机器人磨抛力的柔顺控制[44-48]。机器人与工件接触时，通过安装在机器人末端具有柔顺控制功能的装置(弹簧、气缸、阻尼器等)来被动调节末端位置从而控制磨抛力，但此方法控制精度较低且易受外部环境影响，无法从根本上根除机器人刚性和末端工具柔顺性之间的矛盾。近年来，部分学者将上述两种方法相结合，提出主-被动柔顺控制方法[49-56]来提高磨抛精度，但不同的工件需要设计不同的控制策略和柔顺装置，成本较高，限制了其应用发展。

本文综述了机器人磨抛力的主动柔顺控制策略、被动柔顺控制装置、主-被动柔顺控制[57-58]方法的主要研究成果，总结了机器人磨抛柔顺控制关键技术难点并展望其发展趋势。

1 机器人磨抛主动柔顺控制的研究

1.1 机器人磨抛力的特点

根据受力方向不同，机器人磨抛力主要分为两种：一种是由磨粒与工件表面接触产生的摩擦力，另一种是由材料形变形成的作用力[59]。通过分析磨抛工具与工件之间的相对位置关系，将机器人磨抛力正交分解，得到X向、Y向、Z向的磨削分力，如图1所示，磨削分力包括沿打磨轮切向的分力Ft、沿砂轮轴向的分力Fa、沿砂轮径向的法向分力Fn。法向分力是主要的磨削作用力，通常是切向分力Ft的1.5～3倍[60](Fn和Ft的关系与磨粒及工件材料有关)。Fn是对磨削过程影响最大的分力，因此大批学者均通过控制Fn来实现恒力磨削，减小机器人位置误差及振动的影响。为实现机器人磨抛法向力的柔顺控制，保证加工表面的一致性和轮廓精度，许多学者主要从主动柔顺控制策略、被动柔顺控制装置、主-被动柔顺控制方法方面进行研究。

(a)静态模型

机器人磨抛主动柔顺控制的本质是通过机器人对接触力的信号反馈，采取相应的主动控制策略，通过调整机器人末端的位置、速度和加速度来使Fn保持恒定，实现磨抛过程的力顺应控制[61]。为达到较好的磨抛力主动柔顺控制效果，国内外学者提出了诸多有效控制方法，见图2。

图2 机器人磨抛主动柔顺控制方法

1.2 阻抗控制

阻抗控制[62]利用等效网络的概念，将外界环境等效为导纳，将机器人操作手等效为阻抗，从而将力控制问题转变为阻抗调节问题。WHITNEY等[63-65]通过传感器分析力和位置的信息来修正接触靠近和靠近零件时的工作路径。在此基础上，国内外学者针对机器人磨抛过程的阻抗控制做了大量研究[27-32,66-78]。

1.2.1传统阻抗控制方法

传统阻抗控制方法的基本思路是根据机器人末端的位置、速度或刚度和磨抛力之间的关系，通过调整反馈位置误差、速度误差、刚度误差来达到控制磨抛力的目的，如图3所示，将阻抗控制定义为机械臂末端工具和环境的作用力与末端位置的比值[79]：

F(s)/x(s)=ms2+bs+k

(1)

式中，F(s)、x(s)、m、b、k分别为末端作用力、末端位置、惯性系数、阻尼系数和刚度系数；s为拉普拉斯算子。

图3中，J、F、N、XD、XI、XF、XE分别为雅可比矩阵、末端作用力、N维关节空间、期望位置、修正后的位置、位置偏移量和实际位置；Kp、Kv、KE分别为增益系数。

图3 机器人传统磨抛阻抗控制方法控制框图[79]

为实现对磨抛力的跟踪，引入参考力，得到末端作用力误差与末端位置误差的阻抗控制模型。磨抛过程中，力传感器测量末端磨抛力的误差，利用阻抗控制模型将力误差转化为位置误差，实现对末端磨抛力的控制。由于这种控制方式不直接涉及力的控制环，避免了机器人动力学的求解，而工业机器人实际的动力学模型很难建立，所以基于位置的阻抗控制方法在机器人领域得到了广泛应用。

ANDERSON等[16]利用传统的阻抗控制方法完成了机器人去毛刺、磨削和装配的任务。SURDILOVIC等[17]利用CAD/CAM规划工具，采用阻抗控制技术解决了机器人磨削和抛光的接触力不稳定问题。KAZEROONI[18]考虑机器人的振动和有界不确定，通过阻抗控制方法实现机械手自动去毛刺，完成了精密打磨的任务。蒋再男等[19]改变传统的阻抗控制方法将内环作为位置环的做法，将外环产生的修正误差对内环进行轨迹修正，如图4所示。图4中，FD、XD、J(q)、τ、τext、Fext分别为期望力、期望位置、各关节雅可比矩阵、驱动力矩、重力补偿后的各关节力矩和重力补偿后的末端接触力。除了利用力误差修正轨迹，还可通过力矩信息来调整机器人末端位置误差。JINNO等[20]提出了工具力矩控制方法，将力矩信号转化为位置修正信号，提高了机器人位置的控制精度，并将该方法应用于机器人磨抛。

图4 基于位置的外力环控制[19]

需要注意的是，只有当参考轨迹xr的精确表达xr=xe+FD/ke时，实际接触力才能精准跟踪期望力，其中，FD、xe、ke分别为期望力、环境位置和环境刚度。所以，要实现对期望力的精确跟踪，需要知道阻抗控制模型中的环境位置xe和环境刚度ke，然而在实际磨抛应用中，环境动力学参数大多都是未知的，所以单一的阻抗控制方法不能满足实际磨抛需求。近年来国内外学者就环境动力学参数未知条件下的机器人阻抗控制开展了大量研究，在阻抗控制的基础上加入了新的控制理论。

1.2.2自适应阻抗控制方法

图5 自适应阻抗控制模型[22]

1.2.3基于智能控制理论的阻抗控制方法

基于智能控制理论的阻抗控制方法通过优化传统阻抗控制模型结构，将智能控制理论方法与阻抗控制法相结合来调整控制参数、补偿跟踪误差，实现对磨抛力的柔顺控制。刘哲等[66-67]优化了传统阻抗控制模型，针对机器人磨抛时力跟踪响应慢的问题，通过改进遗传算法中计算适应度值的方法来实时控制阻抗参数，提高了系统响应速度。目前基于智能控制理论的阻抗控制方法主要包括：模糊阻抗控制[68]、模糊自适应阻抗控制[67,69-70]、神经网络阻抗控制[71-73]、模糊神经网络阻抗控制[74-76]。

部分学者将阻抗控制方法与模糊控制理论相结合来调整阻尼参数。BURN等[68]针对环境刚度未知的问题，设计模糊控制器来保证机器人与工件接触力的稳定。CHEN等[69]设计了一种带有重力补偿的模糊自适应控制器，通过调整阻抗控制器的阻尼来减小力的误差。另一种方法是将阻抗控制与神经网络控制理论结合来适应环境改变。MALLAPRAGADA等[71]利用神经网络调节力控制系数，降低了机器人阻抗控制中的力控制对环境参数精确度的要求。李正义等[74-76]提出一种模糊自适应阻抗控制方法来估算环境刚度，通过建立神经网络模型来推算临界阻尼参数，使用模糊控制算法处理刚度的过程值，从而提高机器人阻抗控制过程中的接触力跟踪性能。神经网络的输入为机器人末端接触力F，输出为环境等效刚度k，隐含层1、隐含层2均有15个神经元，通过建立输入输出层之间的关系，训练相应的权重系数得到环境的等效刚度。

1.2.4其他阻抗控制方法

如图6所示，ABUDAKKA等[77]结合力觉和变阻抗控制的学习演示框架，将感知到的力与估计的刚度矩阵代入训练广义最小二乘法矩阵，生成一个高斯混合模型(Gaussian mixture model，GMM)，最后通过交互模型在新环境下执行磨抛任务，从而自主适应环境的变化。ERNESTO等[78]提出了一种人机紧密协作的解决方案，该方法考虑机械手末端执行器和刀具上的两个力传感器，基于任务优先级和自适应非传统滑膜阻抗控制，协同完成抛光、磨削、去毛刺等表面处理任务。李二超等[80]提出基于视觉的机器人阻抗控制法，通过建立被跟踪曲线图像特征与机器人关节角度的映射关系来实现良好的力控制效果。

图6 基于力的变阻抗学习的框架图[77]

表1总结了上述阻抗控制方法的特点，可以看到在传统阻抗控制的基础上引入先进控制算法能提高模型对环境的鲁棒性，但上述方法目前大都处于理论仿真阶段，很难应用到实际磨抛加工中。

表1 各阻抗控制方法比较

1.3 力/位混合控制

阻抗控制方法不直接控制末端作用力，而是通过调整末端位置来控制力，避免了机器人的动力学求解过程。基于位置伺服的力反馈控制时间较长，且不能直接对力进行控制，不适应精度较高的工况。机器人磨抛对接触力的控制要求是跟踪性能好、响应速度高，为此，MASON[81]首先提出同时控制力和位置的概念，以及关节柔顺理论。RAIBERT 等[82]在MASON[81]的基础上正式提出力/位混合控制法，如图7所示，通过雅可比矩阵J将任务空间任意方向的力矩阵F和位置矩阵X分解到各个关节力矩τ的控制上，但这种方法的求解比较复杂。图7中，FD、xD、ke、xe分别为期望力、期望位置、环境刚度和环境位置，KP、KF、KV为增益系数，s、I-s分别为对角阵和对角阵的互逆矩阵。ZHANG等[83]在上述基础上，将任务空间的位置环用等效关节位置环代替，减少了一定的计算量。

图7 力/位混合控制模型[82]

1.3.1传统的力/位混合控制方法

力/位混合控制方法同样通过控制Fn来实现恒力控制，在文献[81-83]研究的基础上，国内外学者对力/位混合控制方法做了进一步研究，并将其应用到机器人磨抛中。机器人磨抛的力/位混合控制思想是：将磨抛任务空间正交划分成力控制空间和位置控制空间，并在力控制空间建立力控制回路，在位置控制空间建立位置控制回路，从而实现机器人末端磨削力和位置的控制[84]。

相比于阻抗控制唯一的位置控制回路，力/位混合控制加入了力控制回路，力控制精度更高，响应时间更短。NAGATA等[21-24]研究出一种具有学习功能的混合力/位控制器用于机器人高精度磨削，通过位置反馈回路对笛卡尔空间的力反馈回路进行调节，来控制由接触和摩擦组成的抛光力。该混合力/位控制方法对重复的打磨任务非常有效。DINE等[25]开发了一种平滑位置/力控制器，从实用的角度重新考虑位置、力和阻抗的控制策略来完成真正的磨削任务。仇鹏等[26]采用笛卡儿空间解耦控制阀和参考力前馈补偿力控制方法对机械臂进行位置和力的混合控制。

1.3.2基于智能控制理论的力/位混合控制方法

机器人是一个非线性时变系统，且基于应变原理的力传感器测量值不可避免地存在噪声干扰，此外，机器人传动机构存在反向间隙和较大的摩擦力，导致单一的力/位混合控制很难满足控制要求。近年来，机器人磨抛力/位混合控制的研究热点是如何提高系统对干扰(外界干扰、测量噪声、系统模型误差)影响的鲁棒性，其核心思想是将力/位混合控制方法与先进控制理论相结合，本文将其整理归纳为4种方法，如表2所示。

表2 各种力/位混合控制方法的实现过程和优缺点

(1)模糊跟踪力/位混合控制。FANAEI等[33]提出一种基于模糊建模的机器人力/位混合控制方法，针对末端执行器和工件表面之间的摩擦力设计模糊补偿器(控制器的自由参数能自适应更新以适应环境的变化)。RAVANDI等[34]将模糊逻辑与滑膜控制相结合，研究了不确定环境下机器人的力/位混合控制问题，提出的自适应模糊滑膜控制方法对机械手动态结构和环境物理特性的信息要求较少。LATIFINAVID等[35]设计并实现了一种六足机器人轻磨料表面磨削的力/位混合控制策略，针对磨削加工过程中的非线性特点，设计了一种监督模糊控制器，显著提高了磨削加工精度。

(2)神经网络力/位混合控制。GHAJAR等[36]针对末端执行器与环境之间的接触摩擦，设计了一种包括主控制器和自适应神经网络控制器的智能力/位混合控制器，该控制器能实现运动和力的准确跟踪。RANI等[37]针对具有外界干扰和模型不确定性的磨抛机器人，提出基于神经网络自适应约束的无模型力/位混合控制器。TANG等[38]通过求解神经网络的特征值来解决机器人在复杂环境下磨削的参数不确定性和建模误差等问题，如图8所示。

图8 神经网络算法预测磨削参数[38]

(3)滑膜自适应力/位混合控制。GRACIA等[39]设计了一个具有力/位混合控制功能的磨削机器人，并比较了几种自适应开关增益规律，实验表明该机器人具有较强的鲁棒性。ZHANG等[40]为提高砂带磨削的加工质量，提出一种基于力传感器的六自由度机械带磨削平台自适应滑膜迭代恒力控制方法，解决了磨削力的不确定性问题，提高了控制稳定性。李琳等[41]通过分析实际磨抛过程中机器人末端执行器的接触力和已知传感器坐标的映射关系，提出一种基于自适应滑膜学习算法的机器人力/位混合恒力跟踪控制方法。

图9 PI/PD原理与机器人砂带磨削的力/位置混合控制框图[42]

上述磨抛主动柔顺控制实现的前提是外部传感器实时准确反馈磨抛力，在20世纪90年代之前发表的文章中[85]，对磨削力的测量大多是根据末端执行器的位移和假设的刚度与力的关系来实现的，实现这种方法还需进行接触面的位置和机械手运动学参数的校准，存在过程复杂、精度难以保证等问题。随着传感器技术的进步，基于外部传感器的关节电流反馈[86-87]、末端力矩传感器反馈[88-91]、关节扭矩传感器反馈[92]广泛应用。目前大部分带有力控制组件的机器人基于末端执行器的力传感器来实现力的反馈，这种方法不需要确定环境模型，避免了误差和建模不确定性。

阻抗控制和力/位混合控制法是实现磨抛力主动柔顺控制的主要方法，表3总结两种主要控制方法的实现过程，发现力/位混合控制法不存在耦合，抗干扰能力强，且机器人可以独立控制位置和过程力，所以更适应于机器人磨抛加工。

表3 阻抗控制和力/位混合控制

除此之外，一些学者从机器人动力学建模的角度出发，通过建立准确的机器人动力学模型来提高主动柔顺控制策略的控制精度，减小磨削力柔顺控制误差。丁亚东等[93]提出一种分布辨识动力学的方法，对机器人肘关节和腕关节进行辨识，得到机器人全部惯性参数，这种方法具有方法简单、计算量小的优点。LUO等[94]在理论、仿真和实验的基础上，提出一种基于子系统动力学模型设计的自适应阻抗控制算法，降低了算法的计算复杂度，解决了动力学模型不准确的问题。XU等[95]在分析机器人磨削过程与工件相互作用的基础上，建立机器人约束动力学模型，提出了一种无传感器力控制律，并进行了仿真验证。

2 机器人磨抛被动柔顺控制的研究

为实现机器人磨抛时的力柔顺控制，除了上述的主动柔顺控制方法外，还可在机器人末端安装柔顺装置，通过机械结构来吸收和存储能量将机器人刚性和末端柔性相结合，实现机器人磨抛力的柔顺控制。如图10所示，机器人与工件接触时，柔顺装置通过改变自身位置和姿态来调节过程力。最早的典型被动柔顺装置——远心柔顺装置是由WHINEY等[96-98]设计的。这之后，HUANG等[99]设计了一种具有被动力控制和自适应路径生成的被动柔顺工具，实现了涡轮叶片修磨的自动化。CHAOUI等[100]为保证高质量的磨削表面，设计了一个气动执行器来控制和减少磨削过程中的振动。MOHSIN[101]设计了基于多步路径规划的力控柔性机器人抛光系统，重点研究了控制刀具与抛光表面的相互作用。

图10 机器人磨抛柔顺装置[1]

随着研究的深入，国内外学者从以下两个角度出发优化柔顺装置的结构以提高力控制精度：

(1)改变末端执行器结构。MOHAMMAD等[102]设计出一种用于自动磨抛的力控末端执行器，如图11所示，该末端执行器的抛光头通过线性空心音圈执行器的伸缩来控制抛光过程中的力，从而减小加工过程中的振动。王雨等[44]仿照人体肌肉组织，设计了一种电机驱动的直线型类串联弹性驱动器，并安装在机械臂末端，实现力的柔性输出。文献[45-47]针对机器人柔性磨抛力控制，设计了新型恒力末端执行器，达到了较好的力控制效果。

图11 新型末端力控装置[102]

(2)将其他控制器集成到末端执行器，提高磨抛时力的柔顺性。CHEN等[48]开发了一种新型智能末端执行器(图12)以用于抛光过程中的主动接触力控制和振动抑制，设计了两种新型的涡流阻尼器，并将其集成到智能末端执行器，提高了系统的动力学性能，抑制了磨抛过程中的振动。

图12 智能末端执行器[48]

目前，磨抛力被动柔顺控制装置的产品主要有Ferribotic公司的ACF[103]柔顺工具、Pushcorp公司的AFD和ATI装置[104]、AMTRU公司的打磨装置[105]，如图13所示。AFD装置精度高、力控性好，适合高精度打磨，ACF装置和AMTRU公司的产品适用于中低精度打磨。

图13 被动柔顺控制装置应用产品

柔顺控制装置相对机器人是独立的，其主要驱动方式有气动驱动[106-107]、电磁驱动[108]、电机驱动[109]等，优缺点见表4。相比于主动柔顺控制方法，被动柔顺控制方法实现过程简单，但环境适应能力较差、成本较高、精度较差。

表4 各驱动方式优缺点

3 机器人磨抛主-被动柔顺控制的研究

保证机器人磨削复杂零件和薄壁工件时的轮廓精度和表面一致性就是要求机器人和磨抛设备一起实现期望的力和轨迹。实际磨抛过程中，仅基于主动控制策略的机器人磨抛控制系统难以达到作业要求，需要增加被动柔顺控制，以提高机器人磨削时的鲁棒性和智能性。

主动柔顺控制控制精度高、实现困难，被动柔顺控制实现简单、控制精度差，因此学者将上述两种方法相结合，提出主-被动柔顺控制，以提高磨抛精度。要实现主-被动柔顺控制，先建立机器人-环境柔性系统模型，在柔性环境下实现磨抛力的控制。GIELAK等[49]研究了考虑运动阻力和环境弹性的机械手-环境系统模型，确定了位置和力的控制任务，结合机械手和环境模型，完成了力的控制。詹建明[50]在刚性关节型打磨机器人末端固联柔性结构，将力偏差引入位置控制环，设计出带被动柔顺结构的外力环控制系统。

机器人磨抛主-被动柔顺控制方法主要有三种：

(1)基于阻抗控制的被动柔顺控制，即在被动柔顺装置中加入阻抗控制策略。XIE等[51]以飞机发动机叶片的自由曲面为研究对象，设计出一种基于粒子群优化算法的阻抗控制器，通过阻抗参数的自适应调整来控制工件和打磨工具之间的接触力。袁乐天[52]针对机器人磨抛，设计了基于阻抗控制策略的气动柔顺装置。

(2)基于PID的被动柔顺控制。PID控制策略简单、易实现，故大部分学者将此方法与末端柔顺装置结合，来提高柔顺装置的动态调节性能。DU等[53]设计了一种带力传感器的柔性末端执行器用于钛合金曲面零件的自动抛光，采用一种自适应抗饱和积分分离模糊PI控制器来控制法向接触力，避免了不必要的振动和机械碰撞。张秀丽等[54]为应对环境的动态变化，设计了基于被动柔顺结构和主动柔顺控制的打磨机械臂。柔性机械臂采用PID控制，通过监控末端接触力和关节力矩适时修改指令轨迹。

(3)基于力/位混合控制的被动柔顺控制，即在被动柔顺装置中加入力/位混合控制策略。黄婷等[55-56]为实现磨抛系统机器人末端的位置和接触力控制，提出一种基于被动柔顺装置的机器人磨抛系统力/位混合控制策略，并通过非线性PD控制提高柔顺装置的动态调节性能。具有接触力反馈和位置反馈的主动控制末端执行器具有在较大空间内顺应接触运动的作业能力，可用于可调距螺旋桨的机器人磨削[47]。

表5总结了上述3种方法的优缺点，基于PID的主-被控柔顺控制因建模简单、不易受环境影响、控制效果得以保证等优点而应用广泛。主-被动柔顺控制方法具有较高的磨抛精度和适应能力，但针对不同的工件需要设计不同的控制策略和柔顺装置，成本较高。

表5 主-被动柔顺控制方法比较

4 总结及展望

磨抛过程中的工况较复杂，机器人会受到冲击扰动，其末端保持稳定比较困难，磨削质量难以保证，因此对机器人磨抛力的柔顺控制是解决上述问题的关键。主动柔顺控制方法通过位置误差、速度误差或力误差的几种组合控制量来控制磨抛力，控制精度高，响应时间更短，但算法较复杂、难以实际应用。被动柔顺控制方法通过柔顺装置调节其位置和姿态来控制磨抛力，控制精度较低，但过程简单。主-被动柔顺控制将上述两种方法相结合，具有较高的磨抛精度和适应能力，但对不同的工件需要设计不同的控制策略和柔顺装置，成本较高。

近年来，在学术界和工业界的共同努力下，机器人磨抛力控制效果有了显著提高，若要进一步提高零件的尺寸精度和表面质量，须对机器人磨抛力控制进行研究，解决以下问题：

(1)基于智能控制理论的机器人磨抛主动柔顺控策略能提高环境动力学参数未知和外界干扰条件下磨抛的鲁棒性，但由于不了解具体控制过程，且算法较复杂，目前大都处于理论仿真阶段；而被动柔顺控制不能根除机器人刚性和末端工具柔顺性之间的矛盾。如何简化控制模型，保证控制精度和控制速度，实现自适应控制磨抛，还有待进一步研究。

(2)视觉技术已经成熟，有必要将力控制技术与机器视觉技术、智能磨抛技术结合，实时监控工件的表面质量，利用采集的实时数据指导磨削专家系统优化磨削参数，开发融合力控制、机器视觉、智能磨抛的机器人智能磨抛系统，提高工件表面质量。

(3)传感器的稳定性和准确性是实现机器人柔顺控制的前提，测量过程中，测量数据易出现噪声、阴影和数据不足等问题。多传感融合并行测量可以很好地解决上述问题，是未来机器人磨抛力控制技术的突破方向。如何提高各传感器的动态稳定性，补偿各测量单元之间的位姿误差，提高测量过程的抗干扰能力是提高机器人磨抛力控制精度的关键。