未来，每一个反应操控器是自习惯的，当丈量值和设定存在不同的时分，它能够改动操控来习惯改动。一个真实的自习惯操控器应该能够调整自己参数或许以其它方法改动算法，以习惯操控进程中的行为改动。
例如，一个自习惯份额操控器在操控进程中观察到速度过快或许过慢，或许调整它的增益。这种方法合适于有严格要求的操控进程，如机器人的可变负载的操控进程。
假如机器人转移一个特别重的负荷，运动速度将会减缓。自习惯操控器会剖析丈量成果，给机器人添加增益。而相反，假如负载忽然减少了，运动应得急进，则能够给它减增益。
不管哪种方法，操控器有必要能够丈量出进程改动，以确认该采纳的哪种补尝。假如有条件的话，还能够直接衡量负载从A点到B点需求多长时间或丈量多远途径。
但不幸的是，自习惯操控器从检测到操控改动的进程都是很缓慢的，因此会呈现长时间的改动简单被掩盖，短期的搅扰会发生混杂的问题。操控进程一般要区分长时间和短期的影响，既使在操控工程中行为改动被检测到，它并不能标明应该选用补尝。
虽然存在上述的这些应战，自习惯运动操控器还能够优化轨道，经过学习到达其意图。只需操控器学会机器人运动呼应进程，计算出机器人终究的方位以及所需求的指令序列。完结这种人工学习所需的数学模型是非常复杂的，一旦进程模型研究出来，操控器能够调整其操控算法，乃至能够充沛猜测未来的进程行为。
