En robotique mobile, les techniques d’apprentissage qui utilisent la vision artificielle représentent le plus souvent l’image par un ensemble de descripteurs visuels. Ces descripteurs sont extraits en utilisant une méthode fixée à l’avance ce qui compromet les capacités d’adaptation du système à un environnement visuel changeant. Nous proposons une méthode permettant de décrire et d’apprendre des algorithmes de vision de manière globale, depuis l’image perçue jusqu’à la décision finale. L’application visée est la fonction d’évitement d’obstacles, indispensable à tout robot mobile. Nous décrivons de manière formelle la structure des algorithmes d’évitement d’obstacles basés sur la vision en utilisant une grammaire. Notre système utilise ensuite cette grammaire et des techniques de programmation génétique pour apprendre automatiquement des contrôleurs adaptés à un contexte visuel donné. Nous utilisons un environnement de simulation pour tester notre approche et mesurer les performances des algorithmes évolués. Nous proposons plusieurs techniques permettant d’accélérer l’évolution et d’améliorer les performances et les capacités de généralisation des contrôleurs évolués. Nous comparons notamment plusieurs méthodes d’évolution guidée et nous en présentons une nouvelle basée sur l’imitation d’un comportement enregistré. Par la suite nous validons ces méthodes sur un robot réel se déplaçant dans un environnement intérieur. Nous indiquons finalement comment ce système peut être adapté à d’autres applications utilisant la vision et nous proposons des pistes pour l’adaptation d’un comportement en temps réel sur le robot.

Existing techniques used to learn artificial vision for mobile robots generally represent an image with a set of visual features that are computed with a hard-coded method. This impairs the system’s adaptability to a changing visual environment. We propose a method to describe and learn vision algorithms globally, from the perceived image to the final decision. The target application is the obstacle avoidance function, which is necessary for any mo- bile robot. We formally describe the structure of vision-based obstacle avoidance algorithms with a grammar. Our system uses this grammar and genetic programming techniques to learn controllers adapted to a given visual context automatically. We use a simulation environment to test this approach and evaluate the performance of the evolved algorithms. We propose several techniques to speed up the evolution and improve the performance and generalization abilities of evolved controllers. In particular, we compare seve- ral methods that can be used to guide the evolution and we introduce a new one based on the imitation of a recorded behavior. Next we validate these methods on a mobile robot moving in an indoor environment. Finally, we indicate how this system can be adapted for other vision- based applications and we give some hints for the online adaptation of the robot’s behavior.