Een beter begrip van voortbewegingsprocessen heeft potentiële voordelen voor onze samenleving. Enerzijds kan het helpen bij het ontwerpen van efficiënte robots met poten, die zich kunnen voortbewegen op oneffen terrein of in aanwezigheid van obstakels. Anderzijds kan het ook bijdragen aan de kennis van biomechanica en neurowetenschappen. Soepele en zachte robots zou de wendbaarheid en het aanpassingsvermogen van voortbeweging kunnen verbeteren. Ze zijn echter minder geschikt voor besturing met traditionele computerarchitecturen, die over het algemeen gericht zijn op gecentraliseerde besturing en exactheid. Nieuwe modellen, data-driven of biologisch geïnspireerd, bieden daarom een reële opportuniteit in dit gebied. Maar ze doen een aantal fundamentele vragen rijzen met betrekking tot de dynamische eigenschappen en de strikte interpretatie van hun controleprocessen. Dit proefschrift probeert drie van deze onderzoeksvragen te beantwoorden: hoe correleert de mechanische compliantie met de voortbewegingsefficiëntie en de complexiteit van de controller, hoe kunnen we een neurale bewegingscontroller overbrengen van simulatie naar echte robots, en ten derde, hoe kan een model geïnspireerd door het cerebellum helpen met de stabilisatie van reflex-gebaseerde controle. Vanuit veronderstellingen uit de biologie, machinaal leren en de theorie van dynamische systemen, werden deze vragen geëvalueerd in silico en op echte robots, zoals de viervoeter HyQ.