Il est difficile de concevoir des contrôleurs pour des robots devant fonctionner dans des environnements peu maîtrisés voire inconnus. Dans cette optique, la robotique évolutionniste cherche à élaborer des méthodes de conception automatique de contrôleurs via un processus d'optimisation ''boîte noire'' utilisant des algorithmes évolutionnistes. Les valeurs de performance d'un contrôleur donné sont alors estimées soit directement sur le robot, soit à l'aide d'une simulation, par essence simplificatrice. Partant du constat qu'évaluer sur le robot et dans toutes ses situations d'utilisation est généralement incompatible avec le nombre d'évaluations requis par de tels processus d'optimisation, nous proposons une approche générale combinant un processus d'optimisation multi-objectif dans un simulateur fixe, un modèle de substitution et quelques tests sur le robot. Cette approche par transférabilité peut s'appliquer à tout processus d'optimisation mené dans un environnement simplifié (simulation) pour un environnement complet ciblé (robot) et recherche les contrôleurs qui maximisent deux objectifs : la performance dans l'environnement simplifié et un objectif de transférabilité qui indique à quel point le comportement dans l'environnement simplifié est proche de celui dans l'environnement complet. Ce deuxième objectif est estimé par un modèle de substitution construit en effectuant quelques expériences de transfert sur le robot pendant l'optimisation. L'approche est validée sur trois problèmes de robotique évolutionniste : le passage de la simulation à la réalité, l'optimisation de contrôleurs dotés de capacités de généralisation et l'adaptation d'un robot à son environnement.

La coopération est un comportement présent en abondance dans le vivant et central à la plupart des transitions majeures en évolution. Pourtant, son évolution est difficile à expliquer. En particulier, l'origine des comportements de coopération mutualiste, qui sont bénéfiques à tous les participants, à été peu étudiés. Dans cette thèse, nous nous intéressons au rôle de la coordination dans l'évolution de la coopération mutualiste à l'aide d'outils en robotique évolutionniste. Dans un premier temps, nous modélisons en robotique évolutionniste l'évolution de la coopération dans une tâche de chasse collective afin d'étudier l'influence des mécanismes sous-jacent aux comportements de coordination sur l'évolution de la coopération. Nous montrons notamment la nécessité d'utiliser des modèles qui considèrent les aspects plus pratiques du comportement. Dans un second temps, nous nous intéressons à la conception de robots coopératifs à l'aide de la robotique évolutionniste. Nous étudions notamment l'influence de la composition génétique des groupes de robots sur l'efficacité des comportements de coordination. Cette thèse contribue donc de deux manières différentes au sujet général de l'évolution de la coopération : par de la modélisation de problèmes biologiques et la conception de robots collectifs. / Cooperation is a behaviour that is prevalent in living beings and is central to most of the major transitions in evolution. Yet explaining its origin is a challenge. In particular, the evolution of mutualistic behaviours, where every individual benefits from this behaviour, has been relatively ignored. In this thesis, we are interested in the role of coordination in the evolution of mutualistic cooperation. To that end, we use tools from evolutionary robotics. First, we model the evolution of cooperation in a collective hunting task with evolutionary robotics. We want to study the influence of the underlying mechanisms of coordination behaviours on the evolution of cooperation. We reveal that it is necessary to consider modeling techniques that account for the more practical aspects of behaviours. Then, we are interested in the design of cooperative robots with evolutionary robotics. We study the influence of genetic team composition on the efficiency of coordination behaviours. Therefore, this thesis contributes to the general subject of the evolution of cooperation in two different manners: modeling biological problems and designing collective robots.

La robotique évolutionniste vise à concevoir des machines capables d'apprendre continuellement des savoir-faire nouveaux dans un monde continu, non contrôlé et changeant. Cette méthode a permis de construire avec succès des robots réels exhibant des comportements réactifs complexes. L'une des prochaines étapes est désormais de réussir à concevoir des architectures de contrôle pourvus de capacités plus cognitives. La mémoire est un élément central de la cognition, mettre en œuvre des méthodes permettant aux robots d'acquérir cette capacité peut être vu comme un premier jalon nécessaire à la réalisation de comportements cognitifs de plus haut niveau. Partant de ce constat, l'objectif de cette thèse est d'étudier la synthèse d'architectures de contrôle pour robot, capable de réaliser des tâches nécessitant le développement d'une forme de mémoire interne. Nous émettons l'hypothèse que faire émerger une capacité de mémoire au sein d'une architecture de contrôle est un problème trompeur, la robotique évolutionniste ayant tendance à générer des agents prenant seulement en considération leurs perceptions courantes. Nous proposons une approche basée sur l'utilisation de différentes pressions de sélection afin d'éviter une convergence prématurée vers des individus au comportement réactif. Nous montrons que pour favoriser l'émergence d'une mémoire interne, il est nécessaire : d'utiliser une fitness discrète qui n'introduit pas un gradient pouvant tendre vers un optimum local; de mettre en place des mécanismes de diversités comportementales afin d'explorer efficacement l'espace de recherche; de développer différents objectifs auxiliaires pour garantir une mémoire robuste.