Les systèmes multi-robots constituent une classe centrale de systèmes multi-agents, où plusieurs robots coopèrent pour accomplir des tâches dépassant les capacités d’un seul agent. Leur efficacité repose sur des mécanismes décentralisés ou distribués, mais les approches classiques, bien qu’efficaces pour analyser la coordination et le maintien de la connectivité, peinent à s’adapter à des environnements dynamiques et incertains. L’apprentissage automatique offre une alternative prometteuse en permettant aux agents d’apprendre des stratégies de coordination robustes à partir de données, mais il intègre rarement la communication explicite, pourtant essentielle à l’évolutivité. Cette thèse propose des méthodes hybrides combinant apprentissage et contrôle distribué sensible à la communication, afin de concevoir des systèmes multi-robots plus adaptatifs, robustes et déployables dans des environnements réels.