Cette thèse se focalise sur des tâches de perceptions pour des drones à voilures fixes (unmanned aircraft vehicles ou UAV en anglais). Lorsque la perception est la finalité, un bon modèle d’environnement couplé à la capacité de prédire l’impact de futures observations sur celui-ci est crucial. La perception active traite de l’intégration forte entre modèles de perception et processus de raisonnement, permettant au robot d’acquérir des informations pertinentes à propos du statut de la mission et de replanifier sa trajectoire de mesure en réaction à des évènements et résultats imprévisibles. Ce manuscrit décrit deux approches pour des tâches de perception active, dans deux scénarios radicalement différents. Le premier est celui de la cartographie des phénomènes météorologiques de petite échelle et fortement dynamiques, en particulier de nuages de type cumulus. Les objets à cartographier sont ici de grand volume et fortement dynamiques, alors que les capteurs récoltent des informations ponctuelles le long de la trajectoire de l’UAV. Ceci rend construction d’un modèle précis de ces processus particulièrement difficile, le raisonnement devant être capable de traiter des données très éparses. L’approche présentée utilise la régression par processus Gaussien pour construire un modèle d’environnement, les hyper-paramètres étant appris en ligne. Des métriques de gain d’information sont introduites pour évaluer la qualité de futures trajectoires d’observation. Un algorithme de planification stochastique est utilisé pour optimiser une fonction d’utilité équilibrant maximisation du gain d’information avec des buts de minimisation du coût énergétique. La dynamique du robot, ainsi que les contraintes environnementales comme le vent, sont prise en compte et utilisées pour garantir des trajectoires réalisables. Dans le second scénario, un UAV cartographie des champs de grandes cultures pour les besoins de l’agriculture de précision. Le phénomène à observer est maintenant statique et l’environnement est peu ou prou une surface bidimensionnelle. Utilisant le résultat d’un algorithme de localisation et cartographie simultanée (SLAM), une approche nouvelle pour la construction d’un modèle d’erreurs relatives est proposée. Ce modèle est appris à partir d’attributs provenant des structures de données du SLAM, ainsi que de la topologie sous-jacente du graphe de covisibilité formé par les observations. Dans les deux scénarios, des résultats de simulations réalistes sont présentés et commentés. Si la référence absolue en robotique est le test sur le terrain en conditions réalistes, un tel déploiement est souvent impossible, que ce soit pour des raisons de temps ou budgétaires, ou encore parce que les robots capables physiquement de mener à bien la mission sont encore en développement. Ainsi dans cette thèse, tous les développement ont été testés en simulation. Pour garantir que les résultats produits en simulation soient aussi précis que possible, des modèles d’environnements ainsi que modèles dynamiques aussi réalistes que possible doivent être utilisées. La plupart des simulations effectuées en robotique sont faites en temps réel, en essayant de faire correspondre l’avancement du temps simulé avec le temps d’horloge réel. Cependant pour des simulations complexes, des résultats précis ne sont pas possible à produire en temps réel, et la synchronisation des simulateurs devient une tâche ardue. Une analyse des problématiques de simulations en robotique est proposée. Se focalisant sur la problématique de gestion de l’avancement du temps et de la synchronisation de simulateurs hétérogènes dans une architecture distribuée, une solution originale basée sur une architecture décentralisée est proposée.