This document covers the improvement of the control scheme for variable stiffness actuators (VSA), present in the knee joint of a biped robot called Binocchio, developed by the Cajal Institute’s Neuro-rehabilitation group. The design of this robot is based on several biological characteristics found in humans such as the visco-elasticity of the muscles. In order to control these actuators in a robust and efficient manner, it is not enough to use classic model-based control strategies, as they are not able to take into account all the intrinsic non-linearities of the actuator due to its mechanical structure and elastic nature. Therefore, a bio-inspired control method was adapted, known as Feedback Error Learning (FEL) it uses a neural network to learn the inverse model without any a priori knowledge of the parameters of the actuator. Subsequently, control tests were carried out to validate the new control strategy. Finally, it was possible to adapt the FEL for the control of the VSA, which had a significant improvement in the performance of the trajectory controller. Robustness and stability tests allowed to validate the use of FEL control as a viable alternative for the control of the actuators.El presente documento abarca la mejora del esquema de control de los actuadores de rigidez variable (VSA), presentes en la articulación de la rodilla de un robot bípedo llamado Binocchio, desarrollado por el grupo de Neuro-rehabilitación del Instituto Cajal. El diseño de dicho robot se basó en varias características biológicas presentes en los seres humanos como por ejemplo la visco-elasticidad de los músculos. Para controlar estos actuadores de manera robusta y eficiente no es suficiente el uso de estrategias de control clásico basados en modelos, debido a que estos métodos no son capaces de tomar en cuenta todas las no-linealidades intrínsecas del actuador debido a su estructura mecánica y a su naturaleza elástica. Por ello se adaptó un método bio-inspirado de control conocido como Feedback Error Learning (FEL) que utiliza una red neuronal para aprender el modelo inverso sin ningún conocimiento a priori de los parámetros del actuador. Seguidamente se procedió a realizar pruebas de control para validar su implementación. Finalmente, fue posible adaptar el FEL para el control de los VSA, lo que incidió en una mejora significativa en el rendimiento de los controladores de trayectoria. Pruebas de robustez y de estabilidad permitieron validar el uso del FEL como una alternativa viable para el control de los actuadores.