Cet article se concentre sur la découverte autonome de compétences, où les robots acquièrent divers comportements sans supervision explicite. Les méthodes QDAC (Qualité-Diversité Acteur-Critique) existantes reposent sur des espaces de compétences définis manuellement et des heuristiques soigneusement ajustées, ce qui limite leur applicabilité en situation réelle. Dans cet article, nous proposons l'acquisition non supervisée de compétences en situation réelle (URSA), une extension de QDAC. URSA permet aux robots de découvrir et de maîtriser de manière autonome des compétences diverses et performantes en situation réelle. Grâce à des simulations et des expériences en situation réelle utilisant le robot quadrupède Unitree A1, nous démontrons la réussite de la découverte de diverses compétences de locomotion, prenant en charge à la fois la découverte de compétences basée sur des heuristiques et des environnements d'apprentissage entièrement non supervisés. De plus, en réutilisant les compétences acquises pour des tâches en aval, telles que l'adaptation aux dommages en situation réelle, nous démontrons qu'URSA surpasse les méthodes existantes dans cinq scénarios de simulation sur neuf et trois scénarios en situation réelle sur cinq. Cela présente un nouveau cadre pour l’apprentissage robotique du monde réel qui permet une découverte technologique continue avec une intervention humaine limitée, marquant une étape importante vers des systèmes robotiques plus autonomes et adaptatifs.
