La guía háptica es un método prometedor para ayudar a un operador a resolver tareas de operación remota robótica. Puede implementarse a través de diferentes métodos, como fixtures virtuales, donde se utiliza una trayectoria predefinida para generar fuerzas de guía, o guía interactiva, donde se utilizan medidas de sensores para ayudar al operador en tiempo real. Durante los últimos años, se ha propuesto el uso del aprendizaje por demostración (LfD) para realizar guía interactiva basada en tareas simples que suelen estar compuestas por una sola etapa. Sin embargo, sería deseable mejorar este enfoque para resolver tareas complejas compuestas por varias etapas o gestos. Este documento extiende el enfoque LfD para la telemanipulación de objetos donde la tarea a resolver se divide en un conjunto de gestos que deben ser detectados. Por lo tanto, cada gesto se entrena previamente y se codifica dentro de un modelo de mezcla gaussiana utilizando LfD, y se almacena en una biblioteca de gestos. Durante la telemanipulación, dependiendo de la información sensorial, se reconoce el gesto que se está llevando a cabo utilizando el mismo modelo entrenado LfD para la guía háptica. El método fue verificado experimentalmente en una tarea de inserción de clavija en agujero teleoperada. Un robot ligero KUKA LWR4+ fue controlado remotamente con un dispositivo háptico Sigma.7 con control compartido basado en LfD. Finalmente, se realizó una comparación para evaluar el rendimiento de los modelos de mezcla gaussiana con un método de reconocimiento de gestos bien establecido, modelos ocultos de Markov continuos, para la misma tarea. Los resultados muestran que el método basado en modelos de mezcla gaussiana (GMM) mejora ligeramente la tasa de éxito, con tiempos de entrenamiento y reconocimiento de procesamiento más bajos.