机器人学习由自适应算法及经虚拟和现实环境全面训练驱动。这使人形机器人能够获得和完善复杂的技能，如双足运动、物体操控和社交互动。
开发人员使用优化的软件堆栈，其中包括数据提取和处理流程、训练框架和容器化微服务，以支持可扩展和高效的训练。AI 基座模型、仿真环境、合成数据和强化学习、模仿学习等专门的学习技术用于训练机器人执行抓取物体或在不同场景中绕过障碍物等任务。
训练使用数字孪生精确模拟真实场景，为机器人模型学习和改进提供了一个无风险的环境，为机器人模型提供一个无风险的学习和改进环境。这消除了物理损坏的风险，并通过同时训练许多不同的模型实现了更快的迭代。在仿真中，操作人员可以轻松地将变化和噪声引入场景，为机器人模型提供一组更丰富的经验数据来学习。
一旦机器人的技能在数字世界中得到充分完善，模型就可以部署到现实机器人上。在某些情况下，训练会随着机器人在现实世界中的操作和练习而继续。
当重要的新兴人形机器人训练技术包括：
- 机器学习： 人形机器人配备了机器学习算法，可以分析数据以从过去的动作中学习，并处理来自传感器的数据以实时做出明智的决策。
- 模仿学习： 机器人可以通过复制人类的动作来获得新技能。这些动作被传感器或摄像头捕捉到，然后转换成模仿观察到的行为的机器人命令。这种方法对于教机器人难以用传统编程方法编码的细微复杂任务特别有用。
- 强化学习： 在这种技术中，算法使用数学方程来奖励机器人的正确动作并惩罚它们的错误动作。通过反复试验和相关的奖励系统，机器人会随着时间的推移进行调整并提高其性能。