งานวิจัยนี้แก้ปัญหาความท้าทายในการฝึกหุ่นยนต์สองมือสำหรับการทำงานที่ต้องมีการสัมผัสซับซ้อน ซึ่งปกติการรวบรวมชุดข้อมูลที่หลากหลายนั้นมีค่าใช้จ่ายสูงและทำได้ยาก PGDG (Physically Grounded Data Generation) เป็นเฟรมเวิร์กที่ใช้การสร้างข้อมูลแบบ Zero-shot Curation โดยเปลี่ยนการสาธิตเพียงครั้งเดียวให้กลายเป็นชุดข้อมูลที่ครอบคลุมพฤติกรรมการกู้คืนที่สมจริงตามหลักฟิสิกส์
ระบบทำงานโดยการวนซ้ำระหว่างตัวสุ่มข้อมูลที่อิงหลักฟิสิกส์และตัวคัดเลือกชุดข้อมูล (Curator) ซึ่งจะเลือกเฉพาะพฤติกรรมที่ให้ข้อมูลใหม่และไม่ซ้ำซ้อนเพื่อปรับปรุงการเรียนรู้ นอกจากนี้ยังมีการใช้ระบบควบคุมแบบ Sampling-based เพื่อระบุสถานะที่มีความเสี่ยงและแก้ไขการกระทำให้นำไปสู่ความสำเร็จได้ดียิ่งขึ้น ผลการทดสอบพบว่าสามารถเพิ่มอัตราความสำเร็จในการทำงานจริงจาก 35% เป็น 82% และช่วยเพิ่มประสิทธิภาพการ Fine-tuning โมเดลพื้นฐานอย่าง GR00T ได้อย่างมีนัยสำคัญ
