Cet article propose un algorithme d'apprentissage continu (AC) capable d'acquérir de manière continue et incrémentale de nouvelles connaissances issues de l'environnement tout en conservant les informations précédemment acquises. Plus précisément, il est conçu pour apprendre de manière incrémentale à partir de diverses modalités de données (par exemple, tactiles et visuelles) et exploite à la fois des scénarios d'apprentissage incrémental par classe et par domaine dans des environnements artificiels présentant des étiquettes insuffisantes mais une abondance de données non étiquetées à distribution indépendante et identique (NIID). L'algorithme améliore son efficacité en stockant uniquement des prototypes pour chaque classe. Nous évaluons ses performances à l'aide d'un jeu de données multimodal personnalisé composé de données tactiles provenant d'une pince pneumatique souple et de données visuelles d'objets extraites d'images fixes, ainsi que du jeu de données Core50. De plus, nous validons la robustesse de l'algorithme par des expériences de classification d'objets en temps réel utilisant le framework ROS.
