未来，每一个反馈控制器是自适应的，当测量值和设定存在差别的时候，它可以改变控制来适应变化。一个真正的自适应控制器应该可以调整自己参数或者以其它方式改变算法，以适应控制过程中的行为变化。
例如，一个自适应比例控制器在控制过程中观察到速度过快或者过慢，可能调整它的增益。这种方式合适于有严格要求的控制过程，如机器人的可变负载的控制过程。
如果机器人搬运一个特别重的负荷，运动速度将会减缓。自适应控制器会分析测量结果，给机器人增加增益。而相反，如果负载突然减少了，运动应得激进，则可以给它减增益。
无论哪种方式，控制器必须能够测量出过程变化，以确定该采取的哪种补尝。如果有条件的话，还可以直接衡量负载从A点到B点需要多长时间或测量多远路径。
但不幸的是，自适应控制器从检测到控制变化的过程都是很缓慢的，因此会出现长期的变化容易被掩盖，短期的干扰会产生混淆的问题。控制过程通常要区分长期和短期的影响，既使在控制工程中行为变化被检测到，它并不能表明应该采用补尝。
例如，一个自适应比例控制器在控制过程中观察到速度过快或者过慢，可能调整它的增益。这种方式合适于有严格要求的控制过程，如机器人的可变负载的控制过程。
如果机器人搬运一个特别重的负荷，运动速度将会减缓。自适应控制器会分析测量结果，给机器人增加增益。而相反，如果负载突然减少了，运动应得激进，则可以给它减增益。
无论哪种方式，控制器必须能够测量出过程变化，以确定该采取的哪种补尝。如果有条件的话，还可以直接衡量负载从A点到B点需要多长时间或测量多远路径。
但不幸的是，自适应控制器从检测到控制变化的过程都是很缓慢的，因此会出现长期的变化容易被掩盖，短期的干扰会产生混淆的问题。控制过程通常要区分长期和短期的影响，既使在控制工程中行为变化被检测到，它并不能表明应该采用补尝。
尽管存在上述的这些挑战，自适应运动控制器还可以优化轨迹，通过学习达到其目的。只要控制器学会机器人运动响应过程，计算出机器人最终的位置以及所需要的指令序列。完成这种人工学习所需的数学模型是非常复杂的，Amotech一旦过程模型研究出来，控制器可以调整其控制算法，甚至可以充分预测未来的过程行为。
