Dans cette thèse, l’apprentissage par renforcement appliqué au contrôle des robots parallèles à câbles a été étudié. Cette catégorie de robots se distingue par sa dynamique complexe et la non-linéarité de son système, offrant ainsi un cadre idéal pour l’implémentation d’algorithmes d’apprentissage par renforcement. Toutefois, ces algorithmes nécessitent de vastes quantités de données pour apprendre la politique optimale, ce qui n’est pas toujours réalisable dans des scénarios réels. Pour contourner cette limitation, nous avons proposé une approche sim-to-real.