Cet article adresse un problème de planification de chemin sûr pour la navigation de drone en environnement urbain, sous une disponibilité du GNSS incertaine. Le problème peut être modélisé comme un POMDP et résolu en utilisant des algorithmes à base d’échantillonnage. Cependant, un domaine aussi complexe souffre d’un coût de calcul important et atteint des résultats médiocres sous des contraintes temps-réel. Des recherches récentes visent à intégrer un apprentissage hors ligne afin de guider de manière efficace la planification en ligne. Inspiré par la formalisation de l’état de l’art CAMP (Context-specific Abstract Markov decision Process), cet article propose de réaliser une étape d’apprentissage hors ligne de contrainte sur le chemin et d’appliquer le résultat pour réduire l’espace de recherche de politique pendant la résolution en ligne du POMDP. Plus précisément, le sélecteur de la meilleure contrainte est appris de manière hors ligne et il est utilisé pour sélectionner la contrainte à imposer, pendant la planification en ligne, en fonction des caractéristiques de la tâche, i.e. la probabilité de disponibilité du GNSS dans notre cas d’application. Les conclusions des expériences menées pour différents environnements montrent qu’utiliser l’approche proposée permet d’améliorer la qualité d’une solution atteinte par un planificateur en ligne, en particulier lorsque la probabilité de disponibilité du GNSS est faible.