Este documento explora el problema de la generación automatizada de programas para robots a partir de datos históricos limitados cuando no están disponibles modelos geométricos ambientales precisos ni retroalimentación visual en línea. Se desarrolla el Marco de Reutilización de Programas (PRF), que utiliza una estructura de datos novedosa definida por expertos, introducida en este trabajo, para aprender affordances, espacios de trabajo y habilidades a partir de datos históricos. Los datos históricos comprenden trayectorias de articulaciones del robot y descripciones de la tarea que se está completando. Dadas nuevas tareas, se utilizan nuevamente clases de movimiento para formular un problema de optimización capaz de generar nuevos programas basados en habilidades y de bucle abierto para completar las tareas. Para hacer frente a la falta de modelos geométricos, se desarrolla una técnica para aprender espacios de trabajo seguros a partir de demostraciones, lo que permite estimar el riesgo de nuevos programas antes de su ejecución. Se introduce un nuevo primitivo de movimiento aprendible para manipuladores redundantes, llamado , que permite alcanzar nuevos objetivos de efector final mientras se imita el comportamiento de todo el brazo de una demostración. Se utiliza una tarea de transporte de piezas con un manipulador móvil a lo largo de todo el documento para ilustrar cada paso del marco.