หุ่นยนต์แบบอ่อนทรงเกลียว (Spiral Soft Robot) มีความซับซ้อนในการควบคุมเนื่องจากความยืดหยุ่นสูง งานวิจัยนี้จึงได้นำเสนอเฟรมเวิร์ก "Optimize, Learn, Refine" เพื่อช่วยให้หุ่นยนต์สามารถทำภารกิจการหยิบและขว้าง (Pick-and-throw) ได้โดยอัตโนมัติ โดยใช้กระบวนการปรับจูนค่าแบบ CMA-ES และการเรียนรู้เพื่อสร้างจุดเริ่มต้นการทำงาน (Warm start) ให้กับระบบ
ผลการทดลองทั้งในระบบจำลองและฮาร์ดแวร์จริงพบว่า ระบบสามารถทำงานได้สำเร็จด้วยอัตราความสำเร็จสูงถึง 98.4% ในระบบจำลอง และ 100% ในการทดสอบจริงกับฮาร์ดแวร์ โดยหุ่นยนต์สามารถปรับจูนแรงบีบและทิศทางการขว้างให้เหมาะสมกับเงื่อนไขที่กำหนดได้เองโดยไม่ต้องป้อนค่าแรงสัมผัสล่วงหน้า
