Diese Forschung befasst sich mit den Herausforderungen der Erkennung menschlicher Gesten, wenn es systematische Abweichungen in den Sensorausgaben gibt. Sie stellt zwei Frameworks vor, die auf Hidden-Markov-Modellen (HMMs) basieren und dazu dienen, Gesten zu modellieren und zu erkennen, die systematisch variieren. Das erste Framework geht davon aus, dass die systematische Variation kommunikativ ist und dass die Eingabegeste zu einer Gestenfamilie gehört. Es modelliert diese Variation explizit mithilfe eines parametrischen Hidden-Markov-Modells (PHMM). Das zweite Framework überwindet die Signalvariation, indem es auf Online-Lernen anstelle von konventionellem Offline-Batch-Lernen setzt. Diese Frameworks bieten verbesserte Methoden zur Gestenerkennung in Gegenwart systematischer Variationen. Durch die explizite Modellierung von Variationen oder den Einsatz von Online-Lerntechniken verbessern die Ansätze die Robustheit und Genauigkeit von Gestenerkennungssystemen und ermöglichen eine zuverlässigere Mensch-Computer-Interaktion.