Dans ce travail, nous proposons un système auto-organisé composé d'agents-robots contrôlés par une architecture de subsomption et des règles locales probabilistes de prises et de dépôts. Ces agents-robots sont capables, grâce au développement de leurs capacités cognitives de se créer une carte cognitive, d'apprendre plusieurs lieux buts et de planifier le retour vers ces buts. Bien que formellement l'algorithme ne permette pas à chaque agent de "mélanger ni de fusionner ou d'optimiser" plusieurs objectifs, nous montrerons que le système global est capable de réaliser une optimisation multi-objectifs. Particulièrement, la fusion de l'apprentissage local avec l'accumulation de décisions individuelles permet de faire émerger (i) des structures dans l'environnement et (ii) des dynamiques tel que le comportement de spécialisation ou les comportements que nous pouvons considérer comme étant "égoïstes" ou "altruistes". Nous montrons qu'un mécanisme d'imitation simple contribue à l'amélioration des performance de notre SMAC et de notre SMRC, à savoir l'optimisation de la durée pour découvrir des différentes ressources, le temps moyen de planification, le niveau global de satisfaction des agents et enfin le temps moyen de convergence vers une solution stable. Particulièrement, l'ajout d'une capacité d'imitation améliore la construction des cartes cognitives pour chaque agent et stimule le partage implicite des informations dans un environnement a priori inconnu. En effet, les découvertes individuelles peuvent avoir un effet au plan social et donc inclure l'apprentissage de nouveaux comportements au niveau individuel. Pour finir, nous comparons les propriétés émergentes de notre SMAC à un modèle mathématique basé sur la programmation linéaire (PL). Cette évaluation montre les bonnes performances de notre SMAC qui permet d'avoir des solutions proches des solutions de la PL pour un coût de calcul réduit. Dans une dernière série d'expériences, nous étudions notre système d'agrégation dans un environnement réel. Nous mettons en place un SMRC, composé par des robots qui sont capables d'effectuer les opérations de prise, de dépôt et de maintien. Nous montrons via les premiers tests d'agrégation que les résultats sont prometteurs. / In this work, we propose a self-organized system composed by agents-robots, controlled by a subsumption architecture with probabilistic local rules of deposits and taking. These agents-robots are able, thanks to the development of their cognitive abilities to create a cognitive map, to learn various goals' locations and to plan the return to these goals. Although formally the algorithm does not allow each agent to « mix or merge or optimize » several objectives, we show that the overall system is able to perform a multi-objective optimization. Specifically, the fusion of local learning with the accumulation of the individual decisions allows to emerge (i) structures in the environment and (ii) several dynamics such as specialization behavior or those that we can consider as « selfish » or « altruistic ». We show that the imitation strategy contributes to the improvement of the performance of our SMAC and our SMRC, namely the optimization of time to explore the various resources, the average planning time, the overall satisfaction level of agents and finally the the average time of convergence to a stable solution. Specifically, the addition of an imitation ability improves the construction of cognitive maps for each agent and stimulates the implicit sharing of informations in an unknown environment. Indeed, individual discoveries can affect the social level and therefore include learning new behaviors at the individual level. Finally, we compare the emergent properties of our SMAC with a mathematical model based on linear programming (LP). This evaluation shows the good performance of our SMAC which allows to obtain solutions close to the solution of the PL for a low cost of computation. In a final series of experiments, we study our aggregation system in a real environment. We set up a SMRC, composed by robots that are able to perform taking operations, deposits operations and refueling operations. We show through the first tests of aggregation that the results are promising.

La machine à collecteur mécanique reste, dans de nombreuses applications, une alternative crédible par rapport aux autres types de moteurs électriques. Dans le domaine automobile, ce sont les coûts de fabrication et surtout la fiabilité dû à l'absence d'électronique de puissance qui rendent cette solution si intéressante. Cela est également son point faible : l'absence de dispositif de régulation fragilise l'électronique de bord en cas d'appel de courant trop important au démarrage. L'usure du système balai-collecteur est également un point clé pour un démarreur d'autant plus que, pour assurer un fonctionnement « Stop-Start » en plus du fonctionnement traditionnel, le nouveau cahier des charges impose jusqu'à 450 000 cycles de démarrage (contre 30 000 auparavant). Ceci justifie la recherche actuelle sur ces dispositifs. En effet, une partie importante de cette thèse traite de la modélisation et de la mesure de la commutation dans le démarreur pour mieux évaluer les phénomènes qui y interagissent. L'arc électrique en fin de commutation joue un rôle important dans l'usure du système balais-collecteur. Une meilleure connaissance des facteurs influents permet, par la suite, de concevoir des appareils plus robustes. Dans une deuxième partie de la thèse, on s'intéresse au dimensionnement optimal d'un démarreur. Après avoir passé en revue les différentes méthodes d'optimisation pour traiter un tel problème et avoir sélectionné les plus adaptées, on traite un cas pratique de dimensionnement optimal. Cette problématique est fondamentale pour Valeo au vue des quantités d'appareils fabriqués et des futurs marchés offerts par le développement du « micro-hybride » qui se généralise / Nowadays, brushed DC motors are still used in many applications. In automotive industry, manufacturing cost and reliability are the two most important key indicators. That's why DC motors are preferred to others solutions requiring power electronics supply. But, there are also some drawbacks ; when the inrush current occurs (when the power-contact is switched on) the DC voltage of the battery decrease and can damage electronic components of the car. The wear of the brush-segments system is also a key issue for the life time of the starter. The new specifications for a « Stop-Start » starter use lead to a significant increase of the number of re-start cycles to be done by the device. We consider that a car achieve more than 450000 stop-and-start cycles during its lifetime whereas this number is only 30000 for the standard vehicles. These specifications justify the research work lead by Valeo on such device. An important part of the thesis concerns the modeling and the measurement of the commutation phenomena. The electric arc occurring at the brush trailing edges (when the physical contact ends) causes the wear of the brush-commutator system. A better knowledge of influent factors can lead to more robust device development. In a second part, we study the optimal design of a car starter regarding specifications. After a review of different optimization methods for dealing with such a problem, we select the most relevant ones and solve different practical problem around the starter. This issue is very important regarding the quantities of device manufactured and the market of micro-hybrid which is growing up very fast