Roboterlernen hat das Potenzial, Robotik-Systemen die Fähigkeit zu verleihen, mehrere Aufgaben unterschiedlicher Schwierigkeit in dynamischen Umgebungen zu lösen. Probabilistische Ansätze für das Roboterlernen haben mehrere interessante Eigenschaften in Robotik-Anwendungen, wie zum Beispiel die Bereitstellung von Unsicherheitsabschätzungen und Wahrscheinlichkeiten, die nützlich für Entscheidungsprozesse sowie das Finden von atypischen Umgebungszuständen sind, in denen es für den Roboter gefährlich sein könnte, zu handeln. Weiterhin gibt es einige typische Herausforderungen im Roboterlernen im Allgemeinen und bei probabilistischen Ansätzen im Speziellen, denen die Robotik begegnen muss. Echtzeit-Robotikanwendungen wie Roboter-Tischtennis bringen strikte Anforderungen an die Latenz von Vorhersagen, der Auswertung von Wahrscheinlichkeiten und anderen wichtigen Operationen mit sich. Die Menge an Daten, die für das Lernen zur Verfügung stehen, ist in Robotik-Anwendungen außerdem für gewöhnlich nicht besonders groß, was die Gefahr von Overfitting erhöht, insbesondere für probabilistische Ansätze, die normalerweise bei gleicher Vorhersagegenauigkeit mehr Parameter aufweisen als deterministische Modelle. Darüber hinaus ist es für bestimmte Anwendungen mit komplexer Sensorik, wie zum Beispiel Computer-Vision-Systemen, wichtig, Lernmethoden einzusetzen, die mit fehlenden Daten sowie Ausreißern umgehen können. In dieser Arbeit verwenden wir Roboter-Tischntennis als Beispiel einer anspruchsvollen Anwendung, um neue probabilistische Lernansätze zur Repräsentation von Trajektorien vorzuschlagen oder bestehende zu erweitern. Besonderes Augenmerk legen wir dabei auf die Auswertung der Latenz von für den Echtzeit-Ablauf kritischen Operationen, auf die Gewährleistung der Sicherheit des Roboters gegenüber unerwarteten Umgebungszuständen, den Betrieb mit fehlenden Daten oder Ausreißern und auf das Lernen mit verhältnismäßig kleinen Trainingssets. Obwohl Tischtennis die inspirierende Anwendung ist, führen wir Operatoren ein, die auch in anderen Robotik-Projekten angewendet werden können, wobei die für Tischtennis spezifischien Heuristiken auf ein Minimum reduziert werden. Zunächst besprechen wir, wie eine Policy aus Demonstrationen mit Hilfe von Probabilistic Movement Primitives gelernt werden kann. Wir schlagen eine Lernmethode vor, die es erlaubt, ein Movement Primitive anhand von wenigen Demonstrationen eines menschlichen Experten zu lernen. Diese Lernmethode vergleichen wir mit einem Ansatz, der auf der Methode der kleinsten Quadrate basiert, wobei wir zeigen, dass der Kleinste-Quadrate-Ansatz ein Spezialfall der vorgeschlagenen Methode ist. Auf der Basis von experimentellen Daten wird gezeigt, dass die vorgeschlagene Lernmethode nicht anfällig für die Overfitting-Probleme der Kleinste-Quadrate-Methode ist und dass die Tischtennis-Treffer- und Rückspielraten höher sind. Wir führen außerdem Adaptations-Operatoren im Joint- und Task-Space für die gelernten Movement Primitives ein, welche notwendig für die Reaktion auf Veränderungen in der Umgebung des Roboters wie veränderte Balltrajektorien oder den veränderten Ort von Objekten wie einer Kaffeemühle und -maschine in einer Kaffeezubereitungsaufgabe sind. Darüber hinaus stellen wir ein Vision System für das Echtzeit-Tracking von Objekten vor. Der Schwerpunkt liegt dabei auf der Zuverlässigkeit der resultierenden Schätzwerte für die Objektposition, wobei die Anzahl an Ausreißern auf ein Minimum reduziert wird, insbesondere bei erhöhter Anzahl von Kameras. Wir verwenden das vorgeschlagene Vision System für das Tracking des Tischtennisballs für das Roboter-Tischtennis mit einer Geschwindigkeit von 180 Bildern pro Sekunde. Schließlich führen wir eine neue Methode für die Vorhersage des zukünftigen Werts einer Trajektorie auf Basis von vergangenen Beobachtungen basierend auf Variational Autoencodern ein. Wir wenden das vorgeschlagene Modell auf die Vorhersage der Balltrajektorie auf Grundlage von aufgezeichneten Ballpositionen an. Die vorgeschlagene Methode hat eine bessere Genauigkeit für Langzeitvorhersagen als gängige Methoden zur Vorhersage von Zeitreihen wie rekurrente neuronale Netze oder Physik-basierte Differenzialgleichungen, vorausgesetzt, dass der Spin des Balls nicht vom Vision System erfasst wird.