ProMPs là mô hình phân phối xác suất trên các quỹ đạo chuyển động, cho phép học từ nhiều mô phỏng và biểu diễn sự biến thiên trong chuyển động.

• Sử dụng mô hình Bayesian phân cấp để học các tham số từ dữ liệu mô phỏng, bao gồm cả chuyển động nhịp điệu và chuyển động theo chuỗi.
• - Các phép toán xác suất như điều kiện hóa và tích phân phối được dùng để tổng hợp, điều chỉnh và phối hợp các nguyên mẫu chuyển động.
• - Tác giả đề xuất bộ điều khiển phản hồi ngẫu nhiên có khả năng tái tạo chính xác phân phối quỹ đạo đã học, kể cả trong hệ thống phi tuyến.
• - Bài viết trình bày các thí nghiệm trên robot thực và mô phỏng như chơi hockey, lắc maracas, và điều khiển con quay Astrojax để minh họa tính linh hoạt và hiệu quả của ProMPs.
• - So sánh với các phương pháp khác như DMPs, GMR, và điều khiển tối ưu cho thấy ProMPs có khả năng tổng quát hóa, phối hợp khớp và phản ứng với nhiễu tốt hơn.