… cette thèse reconceptualise la façon dont les robots hiérarchisent les tâches critiques lorsque les ressources deviennent limitées. L’approche classifie les acons des robots selon l’importance de leur objectif et met en œuvre plusieurs modes de coût pour gérer diverses conditions environnementales. La deuxième contribution est le développement d’un cadre mono-robot basé sur la recherche arborescente de Monte-Carlo qui démontre une meilleure réalisation des objectifs dans des environnements normaux tout en garantissant l’exécution des objectifs critiques dans des conditions exceptionnelles. La troisième contribution étend cette solution aux systèmes multi-robots grâce à une approche qui inclut des stratégies de partitionnement des robots et un processus de synchronisation robuste pour la replanification en ligne, permettant aux robots de s’adapter aux conditions changeantes en temps réel. Cette implémentation multi-robots appelée RESCUE aborde le défi supplémentaire de prévenir la duplication des objectifs entre les robots tout en maintenant la flexibilité du système. Cette approche est également généralisée à plusieurs niveaux de criticité. Enfin, les contributions sont évaluées par simulation en les comparant aux solutions existantes de recherche arborescente de Monte-Carlo. Les résultats expérimentaux valident que le cadre équilibre avec succès les priorités concurrentes : maximiser la réalisation des objectifs pendant le fonctionnement normal tout en assurant l’exécution des tâches critiques lors de défis environnementaux. Ces contributions font progresser le domaine de la planification adaptative pour les environnements robotiques incertains avec criticité d’objectifs en fournissant une approche plus robuste et résiliente à l’allocation des ressources face à des conditions imprévisibles.