1 核心問題
雖然傳統的認知建模方法把符號編碼視為一種可以描繪物質世界的方法，但把物質世界翻譯成這些符號象徵的想法即使能站得住腳卻仍存在疑問。因此符號象徵的感知、行為以及概念是認知機器人學需要解決的核心問題。
2 起點
認知機器人學認為動物的認知行為是機器人處理信息發展中的一個起始點，而這與很多先前的人工智慧技術截然不同。預想的機器人認知能力包括感知處理，注意力分配，預期，計畫，複雜的動作協調，推理其他機器人個體亦或是它們自己的心理狀態。機器認知使智慧型個體的行為在物理世界中（或虛擬世界中，在模擬認知機器人的狀態下）得以體現。最終機器人必定能在現實生活中存在。
3 學習技巧
3.1 Motor Babble
機器人初步的學習技術叫做“電機學語”。這會涉及一些相關的隨機複雜動作。而這些動作是機器人通過視覺和\或聽覺反饋產生的。這樣一來，機器人便開始形成一種感覺反饋模式以及相應的電機輸出模式。這些預期的感覺反饋之後又可通知電機管控信號。這被認為是類似於嬰兒學習如何找對象或學習發音。對於一個簡單的機器人系統，例如反向運動有可能用於轉換期望的反饋（期望的運動結果）到電機的輸出，可以跳過這一步。
3.2 Imitation
一旦機器人能控制其馬達產生所期望的結果，那么就可以用到“模擬學習”這種方法。一個機器人監視另一個agent的行為，並且接下來這個機器人去嘗試模仿那個agent。在複雜的場景中將模擬信息轉化為所期望的馬達結果，這往往對於機器人是個挑戰。需要注意的是，模擬是認知行為的高層次形式，而且模仿行為不一定需要建立在一個體現動物認知的基本模型上。
3.3Knowledge acquisition
一個更為複雜的學習方法是“自主獲取知識”：讓機器人自主探索自身所處的環境。一系列具有代表性的假定目標和觀念就形成了。
一種更為直接的探索模式可以用“好奇”的算法來實現，例如“智慧型自適應好奇心”。這些算法通常涉及打破感官輸入有限數目的類別和對每一個分配預測系統。這個預測系統可以隨著時間的推移跟蹤預測的誤差。減少預測誤差可以視作為學習。然後機器人優先探索它掌握最快（或減少預測誤差）的種類。
4 其他體系結構
一些研究認知機器人學的研究員曾經嘗試使用如（ACT-R和Soar(認知架構)）的架構作為認知機器人項目的基礎。當建立簡單和象徵的實驗室數據模型時，這些高度模組化的“符號處理”架構會被用來模擬操作者的行為和人類的行為。這個想法是為了擴展這些架構來處理現實世界的感官輸入，這種輸入通過時間不斷展開。我們需要的是神奇一擊，將世界轉換為符號。
