Un défi majeur pour les systèmes autonomes est de fonctionner dans des conditions d’incertitude du monde réel. Les robots s’appuient sur des modèles de leur environnement et d’eux-mêmes pour prendre des décisions, mais ces modèles sont intrinsèque- ment des approximations. Par conséquent, des paramètres incertains peuvent entraîner des écarts significatifs entre le comportement prévu et réel du système. Cette thèse aborde le problème des incertitudes paramétriques en développant des trajectoires intrinsèque- ment robustes. En optimisant ces trajectoires dans le cadre du système en boucle fermée à l’aide de nouveaux concepts de sensibilités d’état et d’entrée introduits dans ce travail, l’approche améliore les performances des robots dans des conditions incertaines. L’objectif principal de cette thèse est d’étendre et d’appliquer ces méthodes basées sur la sensibilité pour la planification de trajectoires robustes. La validité du cadre d’optimisation proposé est évaluée empiriquement à travers de vastes campagnes statistiques, tant en simulation que dans des expériences réelles, sur deux plateformes robotiques largement utilisées : un drone quadrirotor et un manipulateur robotique.