發展型機器人技術（DevRob），有時也稱為表觀遺傳機器人技術，是一個旨在研究發展機制，架構和約束條件的科學領域，這些機制和體系結構允許終身，開放性地學習嵌入式機器中的新技能和新知識。與人類兒童一樣，學習將是累積性的，并且會逐漸增加其復雜性，并且將是世界自我探索與社會互動相結合的結果。典型的方法論方法是從發展心理學、神經科學、開發和進化生物學以及語言學，然后將其形式化并在機器人中實施，有時還探索它們的擴展或變體。在機器人中對這些模型進行的實驗使研究人員能夠面對現實，因此，發展中的機器人技術還提供了有關人類和動物發展理論的反饋和新穎的假設。

發展型機器人技術與進化型機器人技術（ER）相關但有所不同。ER使用隨著時間推移而發展的機器人群體，而DevRob則對單個機器人控制系統的組織如何隨著經驗的發展而產生興趣。

DevRob還與機器人技術和人造生活領域的工作有關。

機器人可以像孩子一樣學習嗎？它可以在設計時以及部分未知且不斷變化的環境中學習各種未指定的新技能和新知識嗎？它如何發現自己的身體及其與自然和社會環境的關系？一旦“出廠”，其認知能力如何在沒有工程師干預的情況下不斷發展？通過與人類的自然社會互動可以學到什么？這些是開發機器人技術的核心問題。艾倫·圖靈（Alan Turing）以及其他許多控制論的先驅，已經在1950年提出了這些問題和一般方法，但是直到20世紀末才開始對其進行系統地研究。

由于自適應智能機器的概念對于發展型機器人技術至關重要，因此它與人工智能、機器學習、認知機器人技術或計算神經科學等領域具有聯系。但是，盡管它可以重用這些領域中闡述的某些技術，但從許多角度來看，它們與它們有所不同。它不同于傳統的人工智能，因為它不具備高級符號推理的能力，而是側重于體現和定位的感覺運動和社交技能，而不是抽象的符號問題。它不同于傳統的機器學習，因為它的目標是獨立于任務的自主學習，而不是針對“勺子人工編輯的感官數據”進行特定任務的推理。它與認知機器人技術不同，因為它專注于允許認知能力形成的過程，而不是這些能力本身。它與計算神經科學不同，因為它專注于開發和學習的集成架構的功能建模。更一般而言，發展型機器人技術具有以下三個特征，其獨特之處在于：

1. 它針對與任務無關的體系結構和學習機制，即機器/機器人必須能夠學習工程師未知的新任務。
2. 它強調開放式發展和終身學習，即生物體不斷獲得新技能的能力。這不應被理解為學習“一切”甚至“一切”的能力，而僅僅是獲得的技能至少可以在某些方向上無限擴展。
3. 獲得的知識和技能的復雜性應逐漸增加。

發展型機器人技術出現在幾個研究社區的十字路口，包括具體化的人工智能，主動和動態系統認知科學、連接主義。從基本的思想開始，即學習和發展是大腦，身體及其物理和社會環境之間動態相互作用的自組織結果，然后嘗試了解如何利用這種自組織來提供與任務無關的終身學習隨著復雜性的提高，發展型機器人技術與諸如發展心理學，發展和認知神經科學，發展生物學（胚胎學），進化生物學和認知語言學等領域緊密地相互作用。由于來自這些科學的許多理論都是言語和/或描述性的，這意味著開發機器人技術中至關重要的形式化和計算建模活動。這些計算模型不僅被用作探索如何構建更多用途和適應性機器的方式，而且還被用作評估其連貫性并可能探索理解生物學發展的其他解釋的方式。

由于通用的方法和方法，發展中的機器人技術項目通常著重于讓機器人開發與人類嬰兒相同類型的技能。被調查的xxx類重要是感覺運動技能的獲得。這些包括發現自己的身體，包括其結構和動力學，例如手眼協調、運動與對象的交互以及工具的使用，尤其著重于發現和學習負擔能力。發展型機器人針對的第二類技能是社交和語言技能：獲得簡單的社交行為游戲，例如轉彎、協調互動、詞典和語法，以及將這些語言技能轉化為感覺運動技能。

人類和機器人生活在其中的感覺運動和社交空間是如此之大和復雜，以致在一生中實際上只能探索和學習一小部分潛在的可學習技能。因此，必須有機制和約束條件來指導發育性生物體的發育和控制復雜性的增長。這些指導機制和約束有幾個重要的系列，這些都是在人類發展的啟發下在發展型機器人技術中進行研究的：

1. 激勵系統，產生內部激勵信號，以驅動探索和學習，主要有兩種：
   • 外在動機促使機器人/生物保持基本的特定內部特性，例如食物和水的水平，身體的完整性或光照（例如在光變體系中）；
   • 內在動機驅使機器人本身尋找新穎性、挑戰性、壓力或學習進度，從而產生有時稱為好奇心驅動的學習和探索，或主動學習和探索；
2. 社會指導：隨著人類通過與同伴的互動學習到很多東西，發展型機器人技術研究了各種機制，這些機制可以使機器人參與類似于人類的社會互動。通過感知和解釋社交線索，這可以使機器人既可以從人類那里學習（通過模仿、模仿、刺激、演示等多種方式），又可以觸發自然的人類教學法。因此，還研究了發展型機器人的社會接受度。
3. 統計推斷偏見和累積的知識/技能重用：表征表示/編碼和推斷機制的偏見通常可以xxx提高學習效率，因此已得到研究。與此相關的是，通過重用先前學習的結構來允許推斷新知識和獲得新技能的機制也是必不可少的研究領域；
4. 實施例的性質，包括通常被編碼為動力系統的幾何形狀，材料或固有的運動原語/協同作用，可以顯著簡化感覺運動或社交技能的獲取，并且有時被稱為形態計算。這些約束與其他約束的相互作用是研究的重要軸。
5. 成熟的限制：在人類嬰兒中，身體和神經系統都逐漸生長，而不是剛出生時就已經成熟。這意味著，例如，隨著學習和發展的發展，可能會出現新的自由度，以及可用感覺運動信號的體積和分辨率的增加。在開發型機器人中轉換這些機制，并了解其如何阻礙或相反地減輕對新穎復雜技能的掌握，這是開發型機器人技術的中心問題。

盡管大多數發展中的機器人項目與動物和人類發展的理論緊密互動，但已識別的生物機制與其在機器人中的對應機制之間的相似性和啟發程度以及建模的抽象水平可能相差很大。雖然某些項目旨在精確建模功能和生物學實現，例如在Neurorobotics中，但其他一些項目僅專注于上述機制和約束的功能建模，并且可能例如在其架構技術中重用來自應用數學或工程領域。