莫蒂充分利用了复杂的腿部力学，通过贝叶斯优化算法指导学习：其足部传感器信息与机器狗中运行的建模虚拟脊髓的目标数据相匹配。机器狗通过不断比较发送的和预期的传感器信息、运行反射循环以及调整其电机控制模式来学习行走。

　　在人类和动物中，中央模式发生器（CPG）是脊髓中的神经元网络，可在没有大脑输入的情况下产生周期性的肌肉收缩。其有助于生成有节奏的任务，例如步行、眨眼或消化。机器狗莫蒂在大约一小时内比动物更快地优化其运动模式。

　　在机器狗平稳行走期间，来自其脚部的传感器数据不断与机器狗CPG预测的预期着陆进行比较。如果机器狗绊倒，学习算法会改变腿来回摆动的距离、腿摆动的速度以及腿在地面上的长度。调整后的运动也会影响机器狗利用其腿部力学的能力。

　　在学习过程中，CPG发送经过调整的电机信号，以便机器狗从此减少绊倒并优化其行走。

　　论文第一作者、MPI-IS动态运动研究小组的前博士生菲利克斯·鲁珀特表示：“我们的机器狗实际上是‘天生’的，CPG类似于大自然提供的内置自动行走智能，我们已将其转移给机器狗。当数据从传感器流回虚拟脊髓，与CPG数据进行比较，如果传感器数据与预期数据不匹配，则学习算法会改变行走方式，直到机器狗行走良好且不会绊倒。”