认知机器人学是机器人学的一个子领域，其关注点在于通过为机器人提供一种处理架构，使其能够学习和推理如何在复杂世界中应对复杂目标，从而赋予机器人智能行为。它可被视为具身认知科学与具身嵌入式认知的工程分支，涵盖机器人流程自动化、人工智能、机器学习、深度学习、光学字符识别、图像处理、流程挖掘、分析、软件开发以及系统集成。与通常依赖预定义符号表示的传统人工智能技术不同，认知机器人学强调通过与物理或虚拟环境的交互进行学习和适应。
核心问题
传统的认知建模方法假设使用符号编码方案来描绘世界，但将世界转化为这类符号表示已被证明是有问题的，甚至可能站不住脚。因此，感知和行动以及符号表示的概念是认知机器人学的核心问题。机器人必须处理原始感官数据（如视觉或听觉输入），并将其转化为可操作的知识，而不依赖手工编码的符号。这一挑战对于设计能够在非结构化、动态环境中运行的架构至关重要。
起点
认知机器人学将人类或动物的认知视为开发机器人信息处理的起点，这与更传统的人工智能技术形成对比。目标机器人认知能力包括感知处理、注意力分配、预期、规划、复杂运动协调、关于其他智能体的推理，甚至可能包括关于机器人自身心理状态的推理。机器人认知体现了智能体在物理世界（或在模拟认知机器人学情况下的虚拟世界）中的行为。最终，机器人必须能够在现实世界中行动，这要求将感知、决策和运动控制整合到一个连续循环中。
学习技术
运动咿呀学语
一种初步的机器人学习技术称为运动咿呀学语，它涉及将机器人的伪随机复杂运动与由此产生的视觉和/或听觉反馈相关联，使机器人能够在给定运动输出模式的情况下开始预期感官反馈模式。然后，所需的感官反馈可用于生成运动控制信号。这被认为类似于婴儿学习伸手抓取物体或发出语音的方式。对于较简单的机器人系统，如果可行地使用逆运动学将预期反馈转化为运动输出，则可以跳过此步骤。
模仿
一旦机器人能够协调其运动以产生期望结果，就可以使用模仿学习技术。机器人监控另一个智能体的表现，然后尝试模仿该智能体。将复杂场景中的模仿信息转化为机器人所需的运动结果通常是一个挑战。模仿是认知行为的一种高级形式，在基本的具身动物认知模型中并不一定需要。
知识获取
一种更复杂的学习方法是自主知识获取，其中机器人自行探索环境，通常假设存在目标和信念系统。通过好奇心算法（如智能自适应好奇心或基于类别的内在动机）可以实现一种更有针对性的探索模式。这些算法通常涉及将感官输入分解为有限数量的类别，并为每个类别分配一个预测系统（如人工神经网络）。预测系统跟踪其预测随时间推移的误差；预测误差的减少被视为学习。然后，机器人优先探索其学习速度最快的类别。
其他架构
一些认知机器人学研究人员尝试使用诸如ACT-R和Soar之类的架构作为其程序的基础。这些高度模块化的符号处理架构已被用于在模拟简化和符号化的实验室数据时模拟操作员表现和人类表现。其想法是扩展这些架构以处理随时间连续展开的现实世界感官输入。所需的是将世界转化为一组符号及其关系的方法，这仍然是一个开放的挑战。