L’intelligence ambiante (AmI) est un paradigme qui émane naturellement de la conjonction de deux facteurs, à savoir la concrétisation progressive de l’informatique ubiquitaire (multiplication et décentralisation des unités de calcul et des appareils communicants) et bien sûr le développement de l’intelligence artificielle (IA). Du point de vue applicatif, ce domaine est motivé par deux principaux objectifs. D’une part, une attention croissante est consacrée aux préoccupations écologiques au sein de nos sociétés, notamment à la consommation énergétique du bâtiment. L’AmI devrait ainsi permettre d’assurer le confort de l’utilisateur tout en réduisant considérablement le coût énergétique par une gestion habile des appareils connectés. D’autant plus que le développement des énergies renouvelables amène de nouvelles problématiques, relatives à leur nature transitoire et décentralisée. Le partage et le stockage de l’énergie, ainsi que la gestion des pics de consommation et de surproduction sont des contraintes qui viendront s’ajouter à cette gestion active du bâtiment dans le cadre des smart grids. D’autre part, la deuxième idée principale qui sous-tend l’AmI est l’hypothèse que la mise en relation intelligente de tous les constituants d’un système ambiant puisse offrir en termes de services, davantage que la somme de leurs fonctions respectives. Cela suppose que le système soit conscient de ses propres possibilités d’interaction ainsi que des attentes de l’utilisateur. Il est clair qu’un système d’AmI doit alors présenter des capacités d’adaptation et d’apprentissage évoluées, pour pouvoir par exemple distinguer différentes situations, activités, évènements, etc. Du point de vue de l’IA, le domaine applicatif de l’AmI est donc extrêmement complexe, si on le considère dans son entièreté. Les caractéristiques suivantes illustrent ces difficultés : hétérogénéité : de l’environnement, des objectifs, du système lui-même ; évolutivité du système : ses capacités dépendent du matériel choisi par l’utilisateur et des retraits et ajouts possibles de matériel ; prise en compte de l’humain dans la boucle ; environnement continu et temps réel. Il existe de nombreuses approches se focalisant sur un ou plusieurs aspects de l’AmI (par exemple l’optimisation de la gestion du chauffage, la reconnaissance d’activités spécifiques, etc.), et appliquant avec plus ou moins de succès des techniques existantes d’IA, par exemple de machine learning. Bien souvent, elles reposent sur une modélisation avancée du système d’AmI et de son environnement. L’apprentissage semble être l’aspect incontournable dans la plupart des cas, mais il n’y a pas vraiment d’approche permettant de couvrir toutes les facettes de l’AmI. Nous considérons cela comme l’expression plus générale de la difficulté en IA de gérer la complexité des agents réels incarnés (tels que les robots) dans des environnements réels (complexes et continus). Notamment, le paradoxe de Moravec pointe du doigt le fait plutôt surprenant que les capacités sensorimotrices basiques des organismes vivants sont plus difficiles à reproduire artificiellement que les capacités cognitives de plus haut niveau tel que le raisonnement. Nous proposons un état de l’art ouvert, en examinant diverses pistes offertes par la recherche en IA en réponse à ces problèmes fondamentaux, tout en confrontant ces idées aux caractéristiques spécifiques de l’AmI. Ancrée dans l’épistémologie constructiviste et supportée par des arguments forts de la psychologie cognitive et des neurosciences, l’approche constructiviste de l’apprentissage constitue une piste prometteuse en intelligence artificielle pour dépasser les limites des techniques classiques issues du cognitivisme ou du connexionnisme. De ce fait, des courants voisins tels que : IA incarnée, IA énactive ou Robotique développementale, sont de plus en plus étudiés. L’objectif commun à ces approches est de créer des agents intelligents autonomes car dotés d’une forte capacité d’adaptation à leur environnement à l’image des organismes biologiques. L’apprentissage se fait alors par l’expérience (sensorimotrice), permettant ainsi de construire une représentation adaptée au couple agent-environnement. Le champ d’application est très vaste et concerne tous les systèmes en interaction avec un environnement complexe, dont les objectifs sont variés et non prédéfinis, tels que la robotique ou évidemment l’AmI. Nous proposons donc un modèle original d’apprentissage constructiviste adapté pour un système d’AmI. Ce modèle repose sur une approche décentralisée, permettant de multiples implémentations convenant à un environnement hétérogène. Dans les environnements réels continus sans modélisation a priori, se pose la question de la modélisation des structures élémentaires de représentation et particulièrement le problème d’amorçage de l’apprentissage sensorimoteur. Dans le cadre du modèle général proposé, nous explicitons ce problème particulier et proposons de le traiter comme une forme d’auto-organisation modélisée par un système multi-agent. Cette approche permet de construire des motifs d’interaction élémentaires à partir des seules données brutes, sur lesquels peut reposer la construction d’une représentation plus élaborée. Nous présentons enfin une série d’expérimentations illustrant la résolution de ce problème d’amorçage : tout d’abord grâce à un environnement simulé, qui permet de maîtriser les régularités de l’environnement et autorise des expérimentations rapides ; ensuite en implémentant ce système d’apprentissage au sein d’un environnement d’AmI réel. Pour cela le modèle est intégré dans le système d’AmI développé par l’entreprise ubiant, partenaire de cette thèse CIFRE. Puis nous présentons une possible application industrielle des résultats de cette première étape implémentée d’amorçage de l’apprentissage sensorimoteur. Nous concluons par l’analyse des résultats et des perspectives de ce type d’approche pour l’AmI et l’application en général de l’IA aux systèmes réels en environnements continus.