Menschen üben motorische Fähigkeiten, wie das Greifen einer Kaffeetasse oder das Fangen eines Gegenstandes mit großer Leichtigkeit aus. Sogar schwierigere und komplexe Aufgaben wie Fahrrad fahren oder Tischtennis spielen sind oft bis zu einem gewissen Grad schnell zu erlernen. Auch wenn viele dieser Fähigkeiten nur auf einer kleinen Anzahl elementarer Bewegungen beruhen, ist der Mensch dennoch in der Lage eine Vielzahl unterschiedlicher Aufgaben zu bewältigen. Roboter hingegen sind immer noch festgelegt auf eine bestimmte Anzahl motorischer Abläufe, die in wohl definierten Arbeitsumgebungen ausgeführt werden. Die Modellierung und das Lernen motorische Fähigkeiten ist daher ein wichtiger Aspekt in der Robotik. Mathematische Modelle der motorischen Kontrolle des Menschen können daher genutzt werden um Roboter zu entwickeln, die in der Lage sind komplexe Aufgaben in einem von Menschen bewohnten Umfeld zu bewältigen. Solche Modelle können der Schlüssel zu robusten, effizienten und menschenähnlichen Bewegungsabläufen sein. Im Gegenzug kann die Reproduktion von menschenähnlichen Bewegungsverhalten auf Robotern auch nützlich sein, um diese mathematischen Modelle zu verifizieren. Auch wenn biomimetische Modelle eine große Hilfe sein können, um die Lücke zwischen Mensch und Roboter zu schließen, stellen sie dennoch einen fixen Plan dar, der auf eine bestimmte Anzahl von Szenarien begrenzt ist. Eine wichtige Eigenschaft des Menschen ist jedoch die Fähigkeit, motorische Abläufe an neue Gegebenheiten anzupassen und neue Bewegungen mit relativ wenigen Versuchen zu lernen. Domänenspezifische Verfahren des maschinellen Lernens, wie überwachtes Lernen und Reinforcement-Learning (Lernen durch Versuch und Fehlschlag), haben ein großes Potential um in der Robotik das autonome Lernen von motorischen Fähigkeiten zu ermöglichen. Das Ziel dieser Doktorarbeit ist es eine komplexe motorische Aufgabe zu modellieren und anschließend zu lernen. Als Fallbeispiel verwenden wir Tischtennis. Im Tischtennis kommt es nicht nur darauf an, eine Bewegung bis zur Perfektion zu erlernen. Vielmehr besteht die Aufgabe aus mehreren zeitkritischen Bewegungen, die aufgrund spezifischer Reize der Umgebung ausgewählt, kombiniert und an neue Anforderungen angepasst werden müssen. In dieser Arbeit analysieren wir zunächst Charakteristiken der menschlichen Bewegungskoordination im Tischtennis und erstellen anhand dessen ein mathematisches Modell, welches in der Lage ist menschenähnliche Schlagbewegungen auf einem Roboterarm zu erzeugen. Unser Fokus liegt dabei auf der Erzeugung von Bewegungsabläufen, die mit verschiedenen Variationen und Unsicherheiten der Umgebung umgehen können. Das resultierende biomimetische Modell wird sowohl in einer physikalisch realistischen Simulation, als auch auf einem realen antropomorphischen Barrett WAM Roboterarm mit sieben Freiheitsgraden getestet. Das biomimetische Modell ist in der Lage menschenähnliche Schlagbewegungen zu produzieren, berücksichtigt jedoch nicht die Lernfähigkeit von Menschen. Um diese Anforderung zu erfüllen, zeigen wir in dieser Arbeit, dass die motorischen Fähigkeiten in einer so komplexen Aufgabe wie Tischtennis mittels Imitation und Reinforcement Learning gelernt werden können. Dafür verwenden wir die Erkenntnis, dass Menschen komplexe Bewegungsabläufe aus einer kleinen Anzahl einfacher generalisierbarer Bewegungsprimitive zusammensetzen. Dadurch können einzelne Schlagbewegungen dem Roboter demonstriert und mittels Imitationslernen reproduziert werden. Da sich die einzelnen Schlagbewegungen entsprechend der relativen Entfernung des zu schlagenden Balles vom Roboter, sowie vom Geschwindigkeitsprofil des Balles unterscheiden, muss der Roboter in der Lage sein aus einer kleinen Anzahl von Beispielen die Schlagbewegung zu generalisieren. Dafür entwickeln wir in dieser Arbeit einen neuen Algorithmus, genannt Mixture of Motor Primitives. Der Mixture of Motor Primitives Algorithmus ermöglicht es, basierend auf einer Bibliothek von Bewegungsprimitiven die richtigen Schlagbewegungen, abhängig von der vorherrschenden Situation auszuwählen und zu generalisieren. Der Selektionsprozess der Schlagbewegungen kann dabei selbstständig vom System mittels Reinforcement Learning erlernt werden. Das Framework wurde sowohl in Simulation als auch auf einem realen Barrett WAM Roboter getestet. Dafür lernt der Roboter zunächst eine kleine Anzahl von Schlagbewegungen von einem menschlichen Lehrer durch kinesthetic teach-in. Diese Bewegungen werden dann in eine Bibliothek von Bewegungsprimitiven übersetzt. Wir zeigen, dass diese Bewegungen mit Hilfe unseres Algorithmuses zu einem breiteren Spektrum von Situationen verallgemeinert werden können. Unser Verfahren erlaubt dem Roboter dadurch, Bälle von einer Ballkanone erfolgreich zurück zu spielen sowie gegen einen menschlichen Gegner zu spielen und sein eigenes Verhalten dabei online zu verbessern. Die Ausführung von Bewegungen auf dem Roboter mit Hilfe des biomimetischen und gelernten Ansatzes, ermöglicht dem Roboter zugespielte Bälle zurückzuspielen. Motorische Aufgaben mit kompetetiven Zielstellungen wie im Tischtennis erfordern jedoch zusätzlich eine Strategie, um das Spiel zu gewinnen. Solch eine Strategie kann nur schwer von Hand implementiert werden, da diese sowohl vom Gegner als auch von den Fähigkeiten des Roboter abhängig ist. In dieser Arbeit wird ein Grundstein gelegt um eine solche Strategie erlernen zu können. Im Detail wird die Möglichkeit strategische Informationen aus der Beobachtung von menschenlichen Tischtennisspielen zu extrahieren diskutiert. Dafür modellieren wir Tischtennis als Markov-Entscheidunsproblem, in welchem die Belohnungsfunktion das Ziel sowie das Wissen um die elementaren strategischen Elemente enthalten sind. Wir zeigen wie diese Belohnungsfunktion und damit die strategischen Informationen unter Zuhilfenahme von modellfreien Inverse Reinforcement Learning Methoden aus Daten von Tischtennis spielenden Menschen extrahiert werden können. Diese Daten haben wir von Spielern mit unterschiedlichen Spielweisen und Spielfähigkeiten gesammelt. Wir zeigen, dass die resultierenden Belohnungsfunktionen in der Lage sind expertenspezifische strategische Informationen zu erfassen und zwischen den unterschiedlichen Spielweisen und Spielfähigkeiten der Versuchspersonen zu unterscheiden.