PGDG（Physically Grounded Data Generation，物理基础数据生成）是 arXiv 于 2026 年 5 月 20 日发布的一篇机器人学论文，作者为 Cunxi Dai 等共 7 人，隶属 cs.RO（机器人学）分类，论文编号 arXiv:2605.21710v1。该研究聚焦接触丰富的双臂操作任务中行为克隆所面临的难题：多样化的示教数据采集成本高昂，而系统在受到即便很小的扰动时也容易被推离流形（off-manifold）状态，此时缺乏可用于恢复的监督信号。
针对这一痛点，研究团队提出了 PGDG 数据生成框架，其核心特点是具备零样本策展（zero-shot curation）能力，能够在无需额外人工标注的情况下，将单条示教扩展为一个紧凑的数据集，其中包含物理上合理、成功且多样的恢复行为。整个流程在“物理基础采样器”和“数据集策展器”之间迭代：策展器负责挑选信息量大、非冗余且可恢复的行为，并据此更新采样分布，使其偏向覆盖不足的恢复模式；采样器则从更新后的分布中抽取物理上合理的轨迹候选，并保留其中成功的轨迹。
为进一步提升数据质量，PGDG 还引入了短时域、基于采样的控制方法，对部分被判定为风险状态的数据进行重新标注，为其配上纠正性动作。这一机制弥补了原始示教中缺乏恢复监督的空白，使生成的数据不仅能覆盖正常执行路径，还能覆盖从偏离状态回到任务轨道的恢复路径。
在实验评估方面，研究团队在四个双臂操作任务上进行了测试。结果显示，PGDG 在仿真环境和零样本真实世界迁移中均持续优于仅做空间增强（spatial-only augmentation）的基线方法。以 RotateBox-Pitch 任务为例，成功率在仿真中从 38% 提升至 93%，在真实世界中从 35% 提升至 82%。此外，PGDG 还能有效支持 GR00T 等基础模型的微调，使成功率从 46% 提高到 77%。
论文的完整结果与补充材料可在项目网站 https://cunxid.github.io/PGDG/ 查阅。该工作展示了以物理约束驱动的数据生成在降低示教成本、提升双臂操作策略鲁棒性方面的潜力，也为机器人基础模型的数据高效微调提供了一条可行路径。