Le développement de la robotique mobile permet la réalisation de tâches de plus enplus variées de façon automatisée. Le projet GRoNe dans lequel s’inscrit cette thèse, a pour objectif de développer les connaissances et les expérimentations sur ce sujet. Dans ce cadre, l’automatisation est un élément clé.Le développement d’algorithmes de contrôle efficaces est une étape importante en ce sens. Les contrôleurs à commandes prédictives ont démontré de nombreux avantages en robotique mobile.La réalisation de ces algorithmes requiert la conception de modèles précis des systèmes afin de prédire leur évolution. Le problème de la modélisation en robotique est traité par l’identification de système. L’apprentissage automatique est fréquemment utilisé dans ce contexte. Afin de modéliser des systèmes robotiques des corpus de données des robots en fonctionement ontété collectés en simulation et sur le terrain. Différentes architectures de réseaux de neurones ont été comparées. Cependant les échantillons collectés ne correspondent pas toujours à la situation dans laquelle les modèles doivent être utilisés. Ce problème est traité en priorisant certains éléments. Pour cela, deux méthodes sont comparées. La réalisation de modèles n’est pas une fin en soit, il s’agit d’une composante de l’algorithme de contrôle. Il importe d’étudier les différents modèles au sein du contrôleur. L’application de ce contrôleur à un drone et un bateau, tant en simulation qu’en cas réel, permet d’étudier les avantages de son utilisation. Finalement un modèle priorisé est utilisé au sein d’un algorithme à commande prédictive sur le bateau réel afin de réaliser le suivi de la berge d'un lac artificiel.