Deze dissertatie verkent de verschillende manieren om prior kennis toe te voegen aan neurale netwerken gebruikt als regelaar van robots. Het is verdeeld in twee grote delen. In het eerste deel van de thesis, focussen we ons op het toevoegen van a priori kennis aan het genereren van wandelgangen, zodat we minder tijd nodig hebben in het optimalisatieproces om goede wandelgangen te vinden. In het tweede deel ligt de focus op het gebruik van morfologische berekenen als a priori kennis om stabiele wandelgangen voor robots met poten te genereren. We gaan dan dieper in op hoe die a priori kennis kan gebruikt worden in de robotica via een paradigma gebaseerd op een alternatieve kijk op berekenen, genaamd morfologisch berekenen. We argumenteren hoe die benadering van het probleem een natuurlijke match is voor het regelen van meegevende robots. We concluderen dat het incorporeren van a priori kennis vrijwel altijd gunstig is als je gebruik maakt van machinaal geleerde modellen voor het regelen van robots. We komen ook tot de conclusie dat we konden aantonen dat zowel morfologisch waarnemen als morfologisch regelen valabele strategieën zijn om regelkringen voor robots met poten te ontwerpen.