L'apprentissage de compétence permet à des agents d'apprendre des comportements distincts deux à deux pour chacune d'elles. Cela leur permet d'améliorer leur exploration, et de maximiser plus rapidement leurs récompenses. Cependant, cet apprentissage se fait de manière uniforme. Or, un agent n'a pas toujours accès aux données permettant un tel apprentissage, et cet apprentissage pose également un problème de complexité. Pour le corriger, nous avons développé une méthode permettant d'apprendre des compétences de manière séquentielle, via l'apprentissage par renforcement et les motivation intrinsèque. Au travers de simulations sur un environnement simple, nous avons pu montrer que les compétences apprises étaient plus distinguable que celles apprise de manière uniforme.