認知機器人技術致力于通過為機器人提供處理體系結構來賦予其智能行為，該處理體系結構將使其能夠學習并推理出如何響應復雜世界中的復雜目標而做出的行為。認知機器人技術可以被視為體現認知科學和體現嵌入式認知的工程分支。

盡管傳統的認知建模方法已將符號編碼方案作為描述世界的一種手段，但事實證明，即使不是站不住腳的世界，將世界轉換為此類符號表示也存在問題。因此，感知和行動以及符號表示的概念是認知機器人技術要解決的核心問題。

與更傳統的人工智能技術相反，認知機器人技術將動物認知視為機器人信息處理發展的起點。目標機器人的認知能力包括感知處理、注意力分配、預期、計劃、復雜的運動協調，對其他行為者甚至可能對自己的心理狀態的推理。機器人認知體現了智能主體在物理世界（或在模擬認知機器人的情況下為虛擬世界）中的行為。最終，機器人必須能夠在現實世界中行動。

一種被稱為電動機呀作響的初步機器人學習技術涉及將機器人的偽隨機復雜電動機運動與所產生的視覺和/或聽覺反饋相關聯，從而在給定電動機輸出模式的情況下，機器人可以開始期望感覺反饋模式。然后可以將所需的感覺反饋用于通知電動機控制信號。人們認為這類似于嬰兒如何學會伸手去拿物體或學會產生語音。對于更簡單的機器人系統，例如可以使用反向運動學將預期的反饋（期望的電動機結果）轉換為電動機輸出，則可以跳過此步驟。

一旦機器人可以協調其電動機以產生期望的結果，就可以使用通過模仿學習的技術。機器人xxx另一個代理的性能，然后機器人嘗試模仿該代理。將模仿信息從復雜的場景轉換成機器人所需的運動結果通常是一個挑戰。請注意，模仿是認知行為的高級形式，在體現動物認知的基本模型中不一定需要模仿。

一種更復雜的學習方法是“自主知識獲取?”：讓機器人自己去探索環境。通常采用目標和信念系統。

通過“好奇心”算法，例如智能自適應好奇心或基于類別的內在動機，可以實現某種更具針對性的探索模式。這些算法通常涉及將感覺輸入分為有限數量的類別，并為每種類別分配某種預測系統。預測系統會隨著時間的推移跟蹤其預測中的錯誤。減少預測誤差被認為是學習。然后，機器人會優先探索最快學習（或減少預測錯誤）的類別。

認知機器人技術的一些研究人員已嘗試使用諸如ACT-R和Soar（認知體系結構）之類的架構作為其認知機器人程序的基礎。這些高度模塊化的符號處理體系結構已用于在對簡單和符號化的實驗室數據進行建模時模擬操作員的績效和人員績效。想法是擴展這些體系結構，以處理現實世界中的感覺輸入，因為這些輸入會隨著時間的推移不斷展開。所需要的是一種以某種方式將世界轉化為一組符號及其關系的方法。

認知機器人技術中仍需回答的一些基本問題是：

• 應該或可以涉及多少個人程序來支持學習過程
• 如何量化進度？所采用的一些方法是獎懲。但是什么樣的獎勵和什么樣的懲罰呢？在人類中，例如，當教孩子時，獎勵將是糖果或某種鼓勵，而懲罰可采取多種形式。但是機器人的有效方法是什么？

Hooman Samani 撰寫的《認知機器人學》采用多學科方法，涵蓋了認知機器人學的各個方面，例如人工智能、物理、化學、哲學、心理、社會、文化和倫理學方面。