Anschließend wird ein sogenannter Singmaster String an eine C / C++ Programm auf einem leistungsstarken Rechner übermittelt, welcher es schafft, den Würfel optimal zu lösen, sprich, immer mit 21 90° Drehungen oder weniger. Dazu wird beim ersten Start des Programms etwa 1.5 Gigabyte an Lösungstischen generiert, welche wie in einer Baumstruktur aufeinander aufbauen, ganz am Ende natürlich der fertige Würfel. Das sind natürlich weit nicht alle Kombinationen. Trifft keine der Kombinationen auf die derzeitige Komposition des Würfels zu, muss dieser Symmetrien beinhalten, da alle ‚nicht-symmetrien‘ im Lösungsbaum abgebildet sind. Nun wird der Würfel so verdreht, dass er einer der antisymmetrischen Gruppen im Lösungsbaum entspricht und anschließend der Pfad bis zum gelösten Würfel verfolgt. Lösungsdauer: etwa 1 Sekunde – 5 Minuten.

Das Resultat des Programs, genauer gesagt die ‚Drehanweisungen‘ werden über ein Python Script an die drei Arduino Unos am Roboter gesendet, welche diese in Kommandos für die Schrittmotoren interpretieren und anschließend ausführen.

Mittels diverser deep-learning Frameworks werden am schulinternen Server der HTL Spengergasse und der TU Wien tausende Simulationen bzw. Traningssets für das Reinforcement Learning durchgeführt und anschließend am Hexapod erprobt. Um sich jedoch seines Umfeldes klar zu sein, greift der Hexapod auf eine Stereokamera zu, welche die Informationen bezüglich des Umfelds nutzbar macht. Mit Hilfe von Objekterkennung kann der Roboter selbstständig in seinem jeweiligen Einsatzgebiet navigieren und Aufgaben ausführen.