Roboter sind seit langem in der deutschen Industrie sowie verstärkt auch privat unverzichtbar. Sie müssen dabei zunehmend dynamischer sein und sich mit einer Geschwindigkeit fortbewegen können, die für die Menschen nicht zur Gefahr wird. Gleichzeitig sollen sie ihre Aufgaben trotzdem präzise und schnell ausführen können, beispielsweise für den Transport in der Logistik. Bei schneller Fortbewegung und hohem Schwerpunkt oder beim Transport hoher und schwerer Lasten spielt die physikalische Dynamik des Systems für die Regelungstechnik eine große Rolle. Sie kann händisch modelliert werden, ist jedoch zumeist stark abstrahiert von der Realität, was als Sim-to Real Gap bekannt ist. Mit Hilfe von KI- und ML Ansätzen kann das Sim-to-Real Gap reduziert werden. Der Roboter kann ein geeignetes Modell seiner selbst erlernen, oder er kann durch bestärkendes Lernen die Regelung ganz übernehmen.