Ein zentrales Problem in der Robotik ist die Beschreibung der Bewegung eines Roboters. Diese Aufgabe ist komplex, insbesondere bei Robotern mit hohen Freiheitsgraden. Bei komplexen Bewegungen können diese nicht mehr manuell programmiert werden. Stattdessen werden sie dem Roboter mit Hilfe von maschinellem Lernen beigebracht. Das Motor Control Learning Framework stellt eine einfach zu bedienende Methode zur Erzeugung komplexer Trajektorien dar. Dynamic Movement Primitives ist eine Methode zur Beschreibung von Bewegungen als nichtlineares dynamisches System. Dabei werden die Trajektorien durch gewichtete Basisfunktionen modelliert, wobei die maschinellen Lernalgorithmen nur die jeweiligen Gewichte bestimmen müssen. So ist es möglich, dass komplexe Bewegungen durch wenige Parameter definiert werden können. Als Ergebnis wurden zwei Bewegungslernverfahren implementiert. Bei der Nachahmung von Bewegungsdemonstrationen werden die Gewichte mittels Regressionsverfahren bestimmt. Für die Optimierung der Policy zur Generierung von Wegpunkt-Trajektorien wird ein Reinforcement-Learning-Algorithmus verwendet. Zu diesem Zweck werden die Gewichte iterativ durch eine Kostenfunktion unter Verwendung der Covariance Matrix Adaptation Evolution Strategy verbessert. Die generierten Trajektorien wurden in Experimenten evaluiert.