Le développement de comportements utiles pour les robots complexes, tel que des humanoïdes, s'avère difficile. La commande corps-complet à base de modèle allège en partie ces difficultés, en permettant la composition des comportements corps-complets complexes à partir de plusieurs tâches atomiques effectuées simultanément sur le robot. Cependant, des hypothèses et erreurs de modélisation, faites pendant la planification des tâches, peuvent produire des combinaisons infaisables/incompatibles quand exécutées sur le robot, créant des mouvements corps-complet imprévisibles, et probablement dangereux. L'objectif de ce travail est de mieux comprendre ce qui rend les tâches infaisables ou incompatibles et de développer des méthodes automatiques pour améliorer ces problèmes pour que les mouvements corps-complets puissent être accomplis comme prévu. Nous commençons par construire un formalisme permettant d'analyser quand les tâches sont faisables et compatibles étant données les contraintes de commande. En utilisant les métriques de faisabilité et compatibilité à base de modèle, nous démontrons comment optimiser les tâches avec des outils de commande prédictive non-linéaire ainsi que les inconvénients de cette approche. Afin de surmonter ces faiblesses, une boucle d'optimisation est formulée, qui améliore automatiquement la faisabilité et compatibilité des tâches via la recherche de politique sans modèle en conjonction avec la commande corps-complets à base de modèle. À travers une série d'expériences simulées et réelles, nous montrons que la simple optimisation de faisabilité et compatibilité des tâches nous permet de réaliser des mouvements corps-complets utiles. / Producing useful behaviors on complex robots, such as humanoids, is a challenging undertaking. Model-based whole-body control alleviates some of this difficulty by allowing complex whole-body motions to be broken up into multiple atomic tasks, which are performed simultaneously on the robot. However, modeling errors and assumptions, made during task planning, often result in infeasible and/or incompatible task combinations when executed on the robot. Consequently, there is no guarantee that the prescribed tasks will be accomplished, resulting in unpredictable, and most likely, unsafe whole-body motions. The objective of this work is to better understand what makes tasks infeasible or incompatible, and develop automatic methods of improving on these two issues so that the overall whole-body motions may be accomplished as planned. We start by building a concrete analytical formalism of what it means for tasks to be feasible with the control constraints and compatible with one another. Using the model-based feasibility and compatibility metrics, we demonstrate how the tasks can be optimized using non-linear model predictive control, while also detailing the shortcomings of this model-based approach. In order to overcome these weaknesses, an optimization loop is designed, which automatically improves task feasibility and compatibility using model-free policy search in conjunction with model-based whole-body control. Through a series of simulated and real-world experiments, we demonstrate that by simply optimizing the tasks to improve both feasibility and compatibility, complex and useful whole-body motions can be realized.