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，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。
