Los manipuladores robóticos industriales actuales han evidenciado su falta de flexibilidad. Los sistemas deben conocer de antemano la pieza y su posición. Para abordar este problema, los enfoques contemporáneos suelen emplear técnicas basadas en el aprendizaje, que dependen de grandes cantidades de datos. Para obtener datos vastos, una herramienta que se busca a menudo es un extenso conjunto de datos de agarre. Este trabajo presenta nuestro pipeline de Detección de Pose de Agarre Auto-Supervisada Basada en Física (PBSS-GPD) para la detección de puntos de agarre basada en modelos, que es útil para generar conjuntos de datos de poses de agarre. Dado un par de agarre-objeto, se muestrean candidatos de poses de agarre utilizando una versión modificada de GPD (implementando agarres internos, soporte CAD) y se cuantifica su calidad utilizando el motor físico MuJoCo y una métrica de calidad de agarre que tiene en cuenta la pose del objeto a lo largo del tiempo. El sistema está optimizado para ejecutarse en CPU en modo paralelo sin cabeza, con la opción de ejecutarse en una interfaz gráfica o sin cabeza y almacenar videos del proceso. El sistema ha sido validado obteniendo poses de agarre para un subconjunto de objetos Egad! utilizando el agarre de dos dedos Franka Panda, comparado con pipelines de generación de agarre de última generación y probado en un escenario real. Si bien nuestro sistema logra una precisión similar en comparación con un enfoque contemporáneo, 84% en la validación del mundo real, ha demostrado ser efectivo en la generación de agarres con buena centralización 18 veces más rápido que el sistema comparado.