Araştırmacılar, robotun öğrenme sürecini çocukların gelişimine benzer şekilde üç aşamada tasarladı. İlk aşamada, robot insan uzmanların gerçek zamanlı gösterimlerini izleyerek temel hareketleri öğrendi. Bu aşamada, RGB kameralar ve 3D nokta bulutları aracılığıyla görsel girdilerle eylemler arasındaki ilişki kuruldu.

İkinci aşamada, robot kendi deneyimlerini toplayarak kendi başarısızlıklarını ve başarılarını kullanarak politikasını iyileştirdi. Bu süreçte, offline reinforcement learning yöntemi sayesinde insan verilerine bağımlı kalmadan performansı arttırdı ve önceki becerileri bozmadan ilerleme kaydetti.

Son aşamada, robotun nadir hatalarını düzeltmek için az miktarda gerçek dünya verisiyle online öğrenme uygulandı. Bu sayede başarı oranı %90'dan %100'e yükseldi. Ayrıca, geleneksel diffusion modellerinin yavaşlığı sorunu, tek adımlı bir kontrolcüye dönüştürülerek 100 milisaniyeden 10 milisaniyeye indirildi.