認知機器人學或認知技術是機器人學的一個子領域，關注的是通過為機器人提供一個處理架構，使其能夠學習和推理如何在復雜的世界中對復雜的目標做出反應，從而賦予機器人智能行為。認知機器人學可以被認為是體現認知科學和體現嵌入式認知的工程分支，由機器人過程自動化、人工智能、機器學習、深度學習、光學字符識別、圖像處理、過程挖掘、分析、軟件開發和系統集成組成。

雖然傳統的認知建模方法假定符號編碼方案是描繪世界的一種手段，但將世界轉化為這類符號表征已被證明是有問題的，甚至是站不住腳的。因此，感知和行動以及符號表征的概念是認知機器人學中需要解決的核心問題。

認知機器人學將人類或動物的認知視為發展機器人信息處理的出發點，而不是更傳統的人工智能技術。目標機器人的認知能力包括感知處理、注意力分配、預測、計劃、復雜的運動協調、對其他代理的推理，甚至可能對自己的心理狀態進行推理。機器人認知體現了智能代理在物理世界（或虛擬世界，在模擬認知機器人技術的情況下）的行為。最終，機器人必須能夠在現實世界中采取行動。

咿呀學語一種被稱為咿呀學語的初步機器人學習技術涉及將機器人的偽隨機復雜運動與由此產生的視覺和/或聽覺反饋聯系起來，從而使機器人可能開始期待一種給定的運動輸出模式的感官反饋。然后，期望的感覺反饋可被用來通知運動控制信號。這被認為是類似于嬰兒如何學習伸手取物或學習說話的聲音。對于較簡單的機器人系統，例如，反運動學可以用來將預期的反饋（期望的運動結果）轉化為運動輸出，這一步可以跳過。

一旦機器人能夠協調其電機以產生預期的結果，就可以使用模仿學習的技術。機器人監測另一個代理的性能，然后機器人試圖模仿該代理。將復雜場景中的模仿信息轉化為機器人所需的電機結果，這通常是一個挑戰。請注意，模仿是認知行為的一種高級形式，在具身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。通常假設有一個目標和信念的系統。一種更有指導性的探索模式可以通過好奇心算法來實現，如智能自適應好奇心或基于類別的內在動機。這些算法通常涉及將感官輸入分成有限的類別，并為每個類別分配某種預測系統（如人工神經網絡）。預測系統隨著時間的推移跟蹤其預測的誤差。預測誤差的減少被認為是學習。然后，機器人優先探索它學習（或減少預測誤差）最快的類別。

認知機器人的一些研究人員已經嘗試使用諸如（ACT-R和Soar（認知架構））的架構作為他們認知機器人程序的基礎。這些高度模塊化的符號處理架構已經被用來模擬操作者的表現和人類在對簡單化和符號化的實驗室數據進行建模時的表現。我們的想法是擴展這些架構，以處理現實世界的感官輸入，因為這些輸入在時間上不斷展開。我們需要的是一種方法，以某種方式將世界轉化為一組符號及其關系。

認知型機器人技術中仍需回答的一些基本問題是。應該或可以有多少人類編程來支持學習過程？如何量化進展？一些被采用的方法是獎勵和懲罰。但什么樣的獎勵和什么樣的懲罰？在人類中，例如在教育孩子時，獎勵是糖果或一些鼓勵，而懲罰可以有多種形式。但對機器人來說，什么是有效的方式呢？胡曼-薩馬尼所著的《認知機器人》一書，采用了多學科的方法，涵蓋了認知機器人的各個方面，如人工智能、物理、化學、哲學等。