在服务机器人技术领域，研究人员已投入大量精力进行学习、理解和将动作表示为机器人执行任务的操作。机器人学习和解决问题的任务非常广泛，因为它集成了各种任务，例如对象检测，活动识别，任务/运动计划，本地化，知识表示和检索，以及感知/视觉和机器学习的交织技术。在本文中，我们仅专注于知识表示，特别是过去几十年来研究人员所做的通常如何收集，表示和复制知识以解决问题的方法。根据知识表示的定义，我们讨论了这些表示与近年来广泛引入和研究的有用学习模型之间的关键区别，例如机器学习，深度学习，概率建模和语义图形结构。除了此类工具的概述之外，我们还讨论了机器人学习中存在的问题以及如何构建它们并将其用作有助于解决这些问题的解决方案，技术或开发（如果有）。最后，我们讨论了设计有效的知识表示时应考虑的关键原则。
