Phương pháp coi quỹ đạo vươn tới như nghiệm của hệ động lực rời rạc phi tuyến tự trị bậc nhất trong không gian trạng thái. Dữ liệu huấn luyện là các quỹ đạo mẫu do người điều khiển robot thực hiện, kết thúc tại cùng một điểm đích. Mô hình NAR đa biến được xác định bằng kỹ thuật nhận dạng hệ thống với lựa chọn cấu trúc và ước lượng tham số qua thuật toán bình phương tối thiểu trực giao, sử dụng tiêu chí ERR để chọn các hạng tử. Điểm cố định tại mục tiêu được đảm bảo bằng cách loại bỏ hạng tử hằng; các điểm cố định khác được “tái phân bổ” có kiểm soát để mở rộng miền hút bao trùm toàn bộ dữ liệu mẫu mà vẫn giữ loại ổn định của chúng (hút, yên ngựa, đẩy), dựa trên giả thuyết nhiễu nhỏ không đổi loại điểm cố định. Định nghĩa và tính toán miền hút trên lưới rời rạc giúp đánh giá và cải thiện độ bền không gian (a-distance) và độ chính xác tái tạo (SEA/RMSE).

Quy trình NAR-RM gồm: (i) huấn luyện mô hình NAR không ràng buộc, (ii) điều chỉnh để mục tiêu là điểm hút, (iii) mở rộng miền hút để bao trùm toàn bộ mẫu, (iv) tối ưu a-distance và SEA. Thử nghiệm trên bộ dữ liệu chữ viết LASA (2D) cho thấy NAR-RM đạt tái tạo chính xác và miền hút rộng, so sánh tốt với các phương pháp SEDS, CLF-DM, NIVF cả về độ chính xác hình học và yêu cầu điều khiển ở mức vận tốc thấp. Ứng dụng thực hiện trên robot di động iRobot Create và tay máy Comau Smart Six (3D) xác nhận khả năng tổng quát hóa từ số ít mẫu và vận hành bền vững trước nhiễu không gian-thời gian, với thời gian tính toán phù hợp điều khiển thời gian thực.