Abstract FR:

Dans le cadre de cette these est aborde le probleme de la planification avec incertitudes d'un robot mobile soumis au incertitudes de commandes et de mesures. Nous utilisons une modelisation discrete en termes de processus de decision de markov (mdp) pour representer d'une part, l'environnement dans lequel evolue le robot et d'autre part, les incertitudes de deplacement. Les mdp partiellement observes (pomdp) permettent de representer les incertitudes des mesures. Nous introduisons de nouveaux criteres de performances pour l'optimisation des mdp a propos desquels nous retrouvons les resultats classiques. Nous etudions ensuite les algorithmes probabilistes d'un point de vue robotique, en particulier pour definir une methode d'agregation qui permet d'optimiser efficacement des mdp de taille importante. Enfin, nous appliquons cette methode a des problemes derives de mdp tels que planification execution concurrentes ou l'apprentissage