Des méthodes efficaces s'appuyant sur des outils statistiques pour réaliser de la reconnaissance de mouvement ont été développées. Ces méthodes reposent sur l'apprentissage de primitives situées dans des espaces appropriés, par exemple l'espace latent de l'espace articulaire et/ou d'espace de tâches adéquat. Les primitives apprises sont souvent séquentielles: un mouvement est segmenté selon l'axe des temps. Dans le cas d'un robot humanoïde, le mouvement peut ëtre décomposé en plusieurs sous-tâches simultanées. Par exemple dans un scénario de serveur, le robot doit placer une assiette sur la table avec une main tout en maintenant son plateau horizontal avec son autre main. La reconnaissance ne peut donc pas se limiter à une seule et unique täche par segment de temps consécutif. La méthode présentée dans ces travaux utilise la connaissance des tâches que le robot est capable d'accomplir, ainsi que des controleurs qui généreront les mouvements  pour réaliser une rétro ingénierie sur un mouvement observé. Cette analyse est destinée à reconnaître des tâches qui ont été exécutées de manières simultanées. La méthode repose sur la fonction de tâche et les projections dans l'espace nul des tâches afin de découpler les controleurs. L'approche a été appliquée avec succès sur un vrai robot pour distinguer des mouvements visuellement très proches, mais sémantiquement différents.