La thématique de la navigation autonome constitue l’un des principaux axes de recherche dans le domaine des véhicules intelligents et des robots mobiles. Dans ce contexte, on cherche à doter le robot d’algorithmes et de méthodes lui permettant d’évoluer dans un environnement complexe et dynamique, en toute sécurité et en parfaite autonomie. Dans ce contexte, les algorithmes de localisation et de cartographie occupent une place importante. En effet, sans informations suffisantes sur la position du robot (localisation) et sur la nature de son environnement (cartographie), les autres algorithmes (génération de trajectoire, évitement d’obstacles ...) ne peuvent pas fonctionner correctement. Nous avons centré notre travail de thèse sur une problématique précise : développer un algorithme de SLAM simple, rapide, léger et limitant les erreurs de localisation et de cartographie au maximum sans fermeture de boucle. Au cœur de notre approche, on trouve un algorithme d’IML : Incremental Maximum Likelihood. Ce type d’algorithmes se base sur une estimation itérative de la localisation et de la cartographie. Il est ainsi naturellement divergent. Le choix de l’IML est justifié essentiellement par sa simplicité et sa légèreté. La particularité des travaux réalisés durant cette thèse réside dans les différents outils et algorithmes utilisés afin de limiter la divergence de l’IML au maximum, tout en conservant ses avantages. / One of the main areas of research in the field of intelligent vehicles and mobile robots is Autonomous navigation. In this field, we seek to create algorithms and methods that give robots the ability to move safely and autonomously in a complex and dynamic environment. In this field, localization and mapping algorithms have an important place. Indeed,without reliable information about the robot position (localization) and the nature of its environment (mapping), the other algorithms (trajectory generation, obstacle avoidance ...) cannot achieve their tasks properly. We focused our work during this thesis on a specific problem: to develop a simple, fast and lightweight SLAM algorithm that can minimize localization errors without loop closing. At the center of our approach, there is an IML algorithm: Incremental Maximum Likelihood. This kind of algorithms is based on an iterative estimation of the localization and the mapping. It contains thus naturally a growing error in the localization process. The choice of IML isjustified mainly by its simplicity and lightness. The main idea of our work is built around thedifferent tools and algorithms used to minimize the localization error of IML, while keeping its advantages.