อัลกอริทึมการเรียนรู้ช่วยเพิ่มประสิทธิภาพไขสันหลังเสมือน หลังจากเรียนรู้ที่จะเดินในเวลาเพียงหนึ่งชั่วโมง หุ่นยนต์ของ Ruppert ก็ใช้ประโยชน์จากกลไกขาที่ซับซ้อนของมันได้อย่างดี อัลกอริธึมการปรับให้เหมาะสมแบบเบย์เป็นแนวทางการเรียนรู้: ข้อมูลเซ็นเซอร์เท้าที่วัดได้จะจับคู่กับข้อมูลเป้าหมายจากไขสันหลังจำลองจำลองที่ทำงานเป็นโปรแกรมในคอมพิวเตอร์ของหุ่นยนต์ หุ่นยนต์เรียนรู้ที่จะ เดิน โดยการเปรียบเทียบข้อมูลเซ็นเซอร์ที่ส่งและที่คาดไว้อย่างต่อเนื่อง เรียกใช้รีเฟล็กซ์ลูป และปรับรูปแบบการควบคุมมอเตอร์ อัลกอริทึมการเรียนรู้จะปรับพารามิเตอร์การควบคุมของ Central Pattern Generator (CPG) ในมนุษย์และสัตว์ ตัวสร้างรูปแบบส่วนกลางเหล่านี้เป็นเครือข่ายของเซลล์ประสาทในไขสันหลังที่สร้างการหดตัวของกล้ามเนื้อเป็นระยะๆ โดยไม่ได้รับข้อมูลจากสมอง เครือข่ายตัวสร้างรูปแบบส่วนกลางช่วยในการสร้างจังหวะ เช่น การเดิน การกะพริบตา หรือการย่อยอาหาร นอกจากนี้ รีเฟล็กซ์ยังเป็นการควบคุมมอเตอร์โดยไม่สมัครใจซึ่งถูกกระตุ้นโดยวิถีประสาทแบบฮาร์ดโค้ดที่เชื่อมต่อเซ็นเซอร์ที่ขากับไขสันหลัง ตราบใดที่สัตว์อายุยังน้อยยังเดินบนพื้นราบเรียบสนิท CPG ก็เพียงพอที่จะควบคุมสัญญาณการเคลื่อนไหวจากไขสันหลัง อย่างไรก็ตามการกระแทกเล็กน้อยบนพื้นทำให้การเดินเปลี่ยนไป รีเฟล็กซ์เตะเข้าและปรับรูปแบบการเคลื่อนไหวเพื่อป้องกันไม่ให้สัตว์ล้ม การเปลี่ยนแปลงสัญญาณการเคลื่อนไหวชั่วขณะเหล่านี้สามารถย้อนกลับได้หรือ "ยืดหยุ่น" และรูปแบบการเคลื่อนไหวจะกลับคืนสู่การกำหนดค่าดั้งเดิมหลังจากการรบกวน แต่ถ้าสัตว์ไม่หยุดสะดุดในการเคลื่อนไหวหลายๆ รอบ แม้จะมีปฏิกิริยาตอบสนองอยู่ก็ตาม ก็ต้องเรียนรู้รูปแบบการเคลื่อนไหวใหม่และทำให้เป็น "พลาสติก" กล่าวคือ ย้อนกลับไม่ได้ ในสัตว์แรกเกิด CPG แรกเริ่มยังไม่ปรับตัวได้ดีพอ และสัตว์จะสะดุดไปมา ทั้งในภูมิประเทศที่ราบเรียบหรือไม่สม่ำเสมอ