Industriële robots kunnen door hun krachtige motoren en stijve structuur zeer snel en precies taken uitvoeren, maar zijn hierdoor ook gevaarlijk voor mensen. Bijgevolg werden soepele robots geïntroduceerd voor een mensvriendelijke omgeving. Deze soepele robots bevatten flexibele elementen zoals veren in de gewrichten en rubber materialen, wat het verkrijgen van een robotmodel moeilijk maakt. Klassieke regelaars maken echter gebruik van een precies robotmodel. Desondanks dat deze regelaars toch goede resultaten behalen voor robots met soepele gewrichten, wordt het moeilijker ze te gebruiken in robots met een hogere graad van flexibiliteit. Dit proefschrift benadert het bovenstaande controle probleem vanuit de veronderstelling dat geen voorkennis van het robotmodel beschikbaar is. Er wordt een adaptieve regelaar voorgesteld die aan de hand van interactie met de robot een model leert. Voor dit leerproces maakt de regelaar gebruik van de Reservoir Computing methode, wat een efficiënte leermethode is voor neurale netwerken. Deze neurale netwerken zijn abstracte entiteiten die gebaseerd zijn op de werking van biologische hersencellen. Om de adaptieve regelaar te evalueren wordt deze toegepast op een groot aantal controletaken. Naast deze regelaar wordt ook een biologisch geïnspireerde hiërarchie voor robots onderzocht die verantwoordelijk is voor bewegingsgeneratie.