La navigation robotique en milieu peuplé est un champ de recherche très actif depuis de nombreuses années. De nouvelles perspectives sont offertes grâce à l’essor de l’apprentissage par renforcement profond. On peut retrouver deux types d’approches dans la littérature. D’un côté, une approche réaliste du point de vue robotique, où le robot apprend une politique de contrôle à partir des données bruitées fournies par ses capteurs. De l’autre, une approche symbolique, où le robot possède une perception complète des positions et vitesses des agents de l’environnement. On laisse de côté le problème de vision et de représentation du monde physique, pour se concentrer sur la meilleure manière de convertir la perception en action. Le modèle DS-RNN est un bon exemple de cette dernière approche. Mais ses performances diminuent dans des conditions plus réalistes. La limitation du champs de vision et la présence d’obstacles statiques dans l’environnement affectent grandement son taux de succès. L’indifférenciation entre humain et obstacle semble en être la cause principale, nous avons donc proposé de multiples modifications d’architectures pour palier à ce problème.