Durch die Kombination von Bayesscher Inferenz in Funktionsräumen und der Nutzung von Simulationsmodellen als informative Priors kann die Lerneffizienz von Roboterdynamiken deutlich gesteigert werden, insbesondere in Regimen mit wenigen Daten.
Ein Pseudo-starrer Körper-Netzwerk (PRB-Net) ermöglicht die präzise Vorhersage der Dynamik deformbarer linearer Objekte aus partiellen Beobachtungen, während gleichzeitig eine physikalisch interpretierbare interne Zustandsrepräsentation erlernt wird.