機器人技術越來越被視為動物行為背后的大腦功能結構計算模型的有用測試平臺。本文概述了過去和現在的工作，重點是概率和動態模型，包括以自由能原理為前提的方法，將這一努力與大腦構成分層控制系統的證據聯系起來。我們認為，未來的神經機器人模型應該整合多種神經生物學約束。

神經機器人學，旨在證明受大腦啟發的控制在具體物理系統中的有用性（如下圖）。對基礎理論的完整性進行嚴格的測試，特別是在目標大腦子系統在感知與行動的實時協調中的作用（A）Salamandra Robotica，一種可以游泳和行走的兩棲機器人，由脊椎動物脊髓振蕩網絡模型控制。（B）WhiskEye，大腦系統的機器人模型，包括小腦，基底神經節，上丘和海馬體，哺乳動物振動系統中的潛在導航和主動感應。（C）iCub，一種廣泛用于模擬人類感知，認知，運動控制和社交互動的人形機器人。（D）神經機器人的設計涉及將神經回路的計算模型與動物感覺和運動系統的物理模型連接。通常，控制系統還包括非神經啟發的組件。在與其環境/生態位適當匹配的精心設計的機器人中，機器人身體的形態可以簡化控制某些方面[稱為“形態計算”]。由此產生的生物體物理模型能夠在現實世界環境中運行，作為嵌入式神經模型產生適應性行為能力的有力測試。

各種大腦子系統的功能已經在各種形式主義中被成功地捕獲了。這些包括源自強化學習、自適應控制和動態系統的形式主義，即大腦的不同部分實現不同類型的學習設備。通過擴展早期的見解，例如Mosaic模型，預測處理激發了近的神經機器人研究，從上到下突出了不同控制方法之間的正式關系。然而，在我們看來，預測處理不應被視為通過機器人技術探索自然設計原理的單一途徑。需要更廣泛的生物學原理基礎，包括約束關閉和行動主義以及生物智能出現的歷史所產生的原則。作為通過物理建模理解大腦的途徑，我們認為混合的分層架構，包括小化自由能的組件，可能提供有希望的路徑。這種方法可能會導致神經機器人平臺能夠產生復雜的類似生命的行為！