Les robots marcheurs, comme les quadrupèdes, doivent naviguer en toute sécurité dans des environnements accidentés et changeants. Leur programmation a longtemps dépendu de deux méthodes distinctes. La première, le contrôle prédictif basé sur un modèle, optimise les déplacements mais exige une connaissance précise de la dynamique du robot, difficile à atteindre en conditions réelles et souvent compensée par des simplifications théoriques. La seconde, l'apprentissage par renforcement sans modèle, permet au robot d'apprendre des comportements fiables par essai-erreur, mais le rend difficilement adaptable après sa formation. Pour surmonter ces contraintes, un nouveau système de contrôle piloté par l'intelligence artificielle a été conçu. Cette approche vise à concilier la précision prédictive et la capacité d'adaptation, permettant aux robots d'ajuster leur locomotion en temps réel sans reposer exclusivement sur des modèles physiques complexes ou des schémas comportementaux rigides. Ce progrès technique représente une avancée significative pour la mobilité autonome, visant à offrir des solutions plus flexibles et performantes pour des environnements difficiles d'accès.