在未来，每一个反馈器都将是自适应的，而当测量值和设定值存在差别的时候，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他方式改变算法，从而适应控制过程中的变化。

譬如，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，都可能调整它的增益。这样的方式适合于有严格要求的控制过程，如机器人的可变负载控制过程。

AGV机器人

假如AGV搬运机器人搬运一个特别重的负荷，那么运动的速度将会降低，自适应控制器就会去分析结果，然后给机器人增加增益，相反，如果负载减少了，运动得到更大的效果，那么适应器就会给它稍微的减益。

不管是哪种方式，控制器都必须能够测量出其过程中的变化，从而确定需要采取哪种补偿。如果有条件的话，还可以直接衡量负载从A到B点需要多长时间或者测量多远路程。

但是很不辛的是，自适应控制器从检测到控制变化的过程都是比较缓慢的，所以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。控制过程通常需要区分长期和短期的影响，这样即使在控制工程中行为变化被检测到，这并不能表明应该采用补偿。

尽管在上述的一些难题，自适应运动控制器还可以优化轨道，在通过学习从而达到其目的。只有控制器学会机器的响应过程，从而计算出机器人最终位置以及需要指令的序列。在完成这种人工学习的所需的数字模型 是非常复杂的。一旦过程模型研究出来，那么控制器就可以调整期控制算法，甚至可以充分预测未来的过程行为。