Een robot kan enkel proactief ondersteuning bieden wanneer die robot de intenties en handelingen van een gebruiker kan herkennen. Op basis van deze intenties kan een robot een taakplan (sequentie van acties) genereren dat de gebruiker helpt om sneller zijn doel te realiseren. Het onderzoek in dit proefschrift bevat bijdragen in drie essentiële aspecten van proactieve robotassistentie: intentieherkenning, continue planning en het leren van symbolische actiedefinities. Intentieherkenning omvat het bepalen van welk doel een gebruiker nastreeft, het dwingen van de mens om zijn doel eerder te onthullen en het voorspellen van welke acties de mens vervolgens zou kunnen uitvoeren. Deze voorspellingen stellen een robot in staat om autonoom een taakplan te maken en uit te voeren. Bovendien, wanneer de robot geïntegreerd is in een dynamische slimme omgeving, vermindert ons raamwerk zowel de hoeveelheid informatie waarop de robotplanner moet redeneren als de frequentie van de (her)planning. Het kan tijdrovend zijn om de symbolische weergave te ontwikkelen die deze componenten nodig hebben. Daarom presenteren we een aanpak die deze representatie leert van ongelabelde beeldparen.