認知ロボティクスは、ロボット工学の一分野であり、複雑な目標に対して複雑な世界でどのように行動すべきかを学習し推論できる処理アーキテクチャをロボットに与えることで、知的挙動を実現することに関わる。これは、身体化認知科学と身体化埋め込み認知の工学的な一分野と見なすことができ、ロボットプロセス自動化、人工知能、機械学習、深層学習、光学文字認識、画像処理、プロセスマイニング、分析、ソフトウェア開発、システム統合を包含する。しばしば事前定義された記号的表現に依存する従来の人工知能技術とは異なり、認知ロボティクスは物理的または仮想的な環境との相互作用を通じた学習と適応を重視する。
中心的な課題
従来の認知モデリング手法は、世界を表現する手段として記号的コーディング方式を想定してきたが、世界をこの種の記号的表現に変換することは、困難であるどころか維持不可能であることが証明されている。知覚と行動、そして記号的表現の概念は、したがって認知ロボティクスにおける中心的な課題である。ロボットは、視覚や聴覚などの生の感覚データを処理し、手書きの記号に依存せずに行動可能な知識へ変換しなければならない。この課題は、非構造化された動的な環境で動作できるアーキテクチャを設計する上で中心となる。
出発点
認知ロボティクスは、人間や動物の認知をロボットの情報処理を開発するための出発点と見なす。これは、より伝統的な人工知能技術とは対照的である。目標となるロボットの認知能力には、知覚処理、注意配分、予測、計画、複雑な運動協調、他のエージェントについての推論、そしておそらくロボット自身の心的状態についての推論が含まれる。ロボット認知は、物理世界（またはシミュレートされた認知ロボティクスの場合は仮想世界）における知的エージェントの挙動を具現化する。最終的に、ロボットは現実世界で行動できなければならず、それには知覚、意思決定、運動制御を連続的なループで統合することが必要である。
学習技術
モーターバブリング
予備的なロボット学習技術であるモーターバブリングは、ロボットによる擬似ランダムな複雑な運動動作と、その結果生じる視覚的および/または聴覚的フィードバックを関連付けることを含み、ロボットが運動出力のパターンに対して感覚フィードバックのパターンを期待し始めることを可能にする。所望の感覚フィードバックは、その後、運動制御信号を知らせるために使用できる。これは、赤ちゃんが物体に手を伸ばしたり、音声を生成したりすることを学ぶ方法に類似していると考えられている。逆運動学を使用して予測されたフィードバックを運動出力に変換することが実行可能であるより単純なロボットシステムでは、このステップは省略できる。
模倣
ロボットが所望の結果を生み出すためにモーターを調整できるようになると、模倣による学習技術を使用できる。ロボットは別のエージェントのパフォーマンスを監視し、そのエージェントを模倣しようとする。複雑なシーンからの模倣情報をロボットの所望の運動結果に変換することは、しばしば課題となる。模倣は高レベルの認知行動の形態であり、身体化された動物認知の基本的なモデルでは必ずしも必要ではない。
知識獲得
より複雑な学習アプローチは、自律的な知識獲得であり、ロボットが通常、目標と信念のシステムを想定して、環境を自ら探索する。より方向付けられた探索モードは、好奇心アルゴリズム、例えばインテリジェント適応的好奇心やカテゴリベースの内発的動機付けによって達成できる。これらのアルゴリズムは、一般的に感覚入力を有限数のカテゴリに分割し、各カテゴリに予測システム（人工ニューラルネットワークなど）を割り当てることを含む。予測システムは、時間の経過に伴う予測の誤差を追跡し、予測誤差の減少は学習と見なされる。ロボットは、最も速く学習しているカテゴリを優先的に探索する。
他のアーキテクチャ
認知ロボティクスの一部の研究者は、ACT-RやSoarなどのアーキテクチャをプログラムの基盤として使用しようと試みてきた。これらの高度にモジュール化された記号処理アーキテクチャは、単純化され記号化された実験室データをモデル化する際に、オペレーターのパフォーマンスと人間のパフォーマンスをシミュレートするために使用されてきた。アイデアは、これらのアーキテクチャを拡張して、時間を通じて継続的に展開する現実世界の感覚入力を処理することである。必要なのは、世界を一連の記号とその関係に変換する方法であり、これは未解決の課題のままである。