Cette these porte sur l'utilisation du formalisme bayesien pour la repr´esentation et la manipulation des incertitudes geometriques dans les systemes de Robotique et de CAORobotique. Dans ces systemes, l'utilisation d'un modele geometrique de l'environnement est indispensable. Toutefois, la validite des calculs conduits sur ces mod`eles n´ecessite une repr´esentation des ecarts entre le modele et la realite et une prise en compte de ces ecarts lors de la resolution d'un probleme donne. L'approche proposee repr´esente une extension de la notion de specification par contraintes geometriques dans laquelle la dimension incertaine des modeles est prise en compte. Cette extension consiste a specifier les contraintes sur les positions relatives entre diff´erents corps de l'environnement non pas par de simples equations et inequations, mais par des distributions de probabilite sur les parametres de ces positions. A l'issue de cette specification, une distribution conjointe sur l'ensemble des parametres du modele est construite. Pour un probleme donne, la distribution marginale sur les parametres inconnus de ce dernier est inferee en utilisant les regles des probabilites. La resolution de ce probleme revient a optimiser cette distribution comportant, dans le cas general, une integrale portant sur un espace de grande dimension. La methode de resolution utilisee pour approcher ce double probleme d'integration/optimisation est basee sur un algorithme genetique. Cet algorithme permet en particulier de controler la precision de l'estimation numerique des integrales par une m´ethode stochastique de Monte-Carlo. L'implantation d'un systeme prototype de CAO nous a permis une experimentation assez poussee de l'approche propos´ee. La mise en oeuvre de plusieurs applications robotiques, dont les natures peuvent paraıtre tres differentes, a ete possible grace a la souplesse de la methode de specification utilisee et la robustesse de la methode de resolution implantee.

To allow monitoring and control of chemical processes, a sensor network has to be installed. It must allow the estimation of all important variables of the process. However, all measurements are erroneous, it is not possible to measure every variable and some types of sensors are expensive. Data reconciliation allows to correct the measurements, to estimate the values of unmeasured variables and to compute a posteriori uncertainties of all variables. However, a posteriori standard deviations are function of the number, the location and the precision of the measurement tools that are installed. A general method to design the cheapest sensor network able to estimate all process key variables within a prescribed accuracy in the case of steady-state processes has been developed. That method uses a posteriori variances estimation method based on the analysis of the sensitivity matrix. The goal function of the optimization problem depends on the annualized cost of the sensor network and on the accuracies that can be reached for the key variables. The problem is solved by means of a genetic algorithm. To reduce the computing time, two parallelization techniques using the message passing interface have been examined: the global parallelization and the distributed genetic algorithms. Both methods have been tested on several examples. To extend the method to dynamic processes, a dynamic data reconciliation method allowing to estimate a posteriori variances was necessary. Kalman filtering approach and orthogonal collocation-based moving horizon method have been compared. A posteriori variances computing has been developed using a similar method than the one used for the steady-state case. The method has been reconciled on several small examples. On the basis of the variances estimation an observability criterion has been defined for dynamic systems so that the sensor network design algorithm could be modified for the dynamic case. Another problem that sensor networks have to allow to solve is process faults detection and localisation. The method has been adapted to generate sensor networks that allow to detect and locate process faults among a list of faults in the case of steady-state processes./ Afin de permettre le suivi et le contrôle des procédés chimiques, un réseau de capteurs doit être installé. Il doit permettre l'estimation de toutes les variables importantes du procédé. Cependant, toutes les mesures sont entachées d'erreurs, toutes les variables ne peuvent pas être mesurées et certains types de capteurs sont onéreux. La réconciliation de données permet de corriger les mesures, d'estimer les valeurs des variables non mesurées et de calculer les incertitudes a posteriori de toutes les variables. Cependant, les écarts-types a posteriori sont fonction du nombre, de la position et de la précision des instruments de mesure qui sont installés. Une méthode générale pour réaliser le design du réseau de capteur le moins onéreux capable d'estimer toutes les variables clés avec une précision déterminée dans le cas des procédés stationnaires a été développée. Cette méthode utilise une technique d'estimation des variances a posteriori basée sur l'analyse de la matrice de sensibilité. La fonction objectif du problème d'optimisation dépend du coût annualisé du réseau de capteurs et des précisions qui peuvent être obtenues pour les variables clés. Le problème est résolu au moyen d'un algorithme génétique. Afin de réduire le temps de calcul, deux techniques de parallélisation utilisant une interface de passage de messages (MPI) ont été examinées: la parallélisation globale et les algorithmes génétiques distribués. Les deux méthodes ont été testées sur plusieurs exemples. Afin d'étendre la méthode aux procédés fonctionnant de manière dynamique, une méthode de réconciliation dynamique des données permettant le calcul des variances a posteriori est nécessaire. La méthode des filtres de Kalman et une technique de fenêtre mobile basée sur les collocations orthogonales ont été comparées. Le calcul des variances a posteriori a été développé grâce à une méthode similaire à celle utilisée dans le cas stationnaire. La méthode a été validée sur plusieurs petits exemples. Grâce à la méthode d'estimation des variances a posteriori, un critère d'observabilité a été défini pour les systèmes dynamiques de sorte que l'algorithme de design de réseaux de capteurs a pu être adapté aux systèmes dynamiques. Un autre problème que les réseaux de capteurs doivent permettre de résoudre est la détection et la localisation des erreurs de procédé. La méthode a été adaptée afin de générer des réseaux de capteurs permettant de détecter et de localiser les erreurs de procédé parmi une liste d'erreurs dans le cas des procédés fonctionnant de manière stationnaire.