Este manuscrito explorará y analizará los efectos de diferentes paradigmas para el control de la mecánica del movimiento de cuerpos rígidos. La configuración experimental incluirá inteligencia artificial determinista compuesta por declaraciones óptimas de autoconciencia junto con un algoritmo de aprendizaje novedoso y óptimo, y estos se reparametrizarán como feedforward y feedback no lineales ideales evaluados dentro de una simulación de Simulink. Se realizará una comparación con un controlador proporcional, derivativo, integral personalizado (versiones modificadas del control proporcional-integral-derivativo clásico) implementado como un control de feedback con un término específico para tener en cuenta el movimiento no lineal acoplado. Se utilizaron ganancias proporcionales, derivativas e integrales consistentes durante la duración de los experimentos. Los resultados de la simulación mostrarán que, al igual que el control feedforward, las declaraciones de autoconciencia deterministas carecen de un mecanismo de corrección de errores, confiando en el aprendizaje (que reemplaza al control de feedback), y la combinación propuesta de declaraciones de autoconciencia óptimas y un aprendizaje óptimo demostrado recientemente produjo la mayor precisión con el menor tiempo de ejecución. Esto destaca la efectividad potencial de un sistema de control de aprendizaje.