Las tareas de inserción robótica ricas en contacto presentan un desafío significativo para la planificación del movimiento debido a la compleja interacción de fuerzas entre los robots y los objetos. Aunque muchos métodos basados en el aprendizaje han mostrado éxito en tareas de contacto, la mayoría de los métodos necesitan muestreo o exploración para reunir suficientes datos experimentales. Sin embargo, realizar experimentos en el mundo real de manera repetida es tanto costoso como que consume mucho tiempo. Por otro lado, aunque el mundo virtual permite cálculos rápidos y de bajo costo mediante simuladores, todavía existe una gran brecha entre la simulación y la realidad debido al modelo de contacto puntual inexacto. Aunque el análisis de elementos finitos podría generar resultados precisos para tareas de contacto, es computacionalmente costoso. Por lo tanto, este estudio propone un marco de planificación del movimiento con optimización bilevel para aprovechar información de fuerza relativamente precisa con un tiempo de cálculo rápido. Este marco consiste en Primitivas de Movimiento Dinámico (DMPs) utilizadas para parametrizar trayectorias de movimiento, Optimización de Caja Negra (BBO), un enfoque sin derivadas, integrado para mejorar la política de inserción rica en contacto con un modelo de contacto hidroelástico, y variabilidad simulada para tener en cuenta la incertidumbre visual en el mundo real. La precisión del modelo simulado se valida comparando nuestros resultados de contacto con una tarea de referencia de Peg-in-Hole. Usando estos DMPs integrados y BBO con el modelo de contacto hidroelástico, la trayectoria de movimiento generada en la planificación es capaz de guiar al robot hacia una inserción exitosa con refinamiento iterativo.