Dans cette thèse, nous étudions la conception d’un contrôleur décentralisé pour un ensemble de quadrotors. Les quadrotors sont organisés en leader et suiveurs. Le leader est piloté par l’homme, tandis que les suiveurs utilisent le contrôleur décentralisé pour suivre le leader. Les suiveurs sont autonomes et n’ont pas conscience du comportement du leader. La nouveauté de cette thèse est de s’appuyer sur des capteurs peu coûteux tels que des modules WiFi pour estimer les distances vers les quadrotors voisins. Afin de concevoir le contrôleur décentralisé, l’apprentissage itératif est utilisé et combiné à un apprentissage supervisé et par imitation, à travers plusieurs phases, notamment la collecte de journaux, la formation de modèles avancés et la conception d’un contrôleur sur celui-ci. Ensuite, le contrôleur est intégré dans les suiveurs, les rendant autonomes. Le principal avantage des méthodes d’apprentissage est de déplacer le fardeau de l’optimisation de l’étape des tests en ligne à l’étape de la collecte des données. Par conséquent, cette approche convient aux robots Commerical Of The Shelf (COTS) tels que les micro et nano quadrotors qui ne disposent pas de ressources de calcul considérables à bord. Nos méthodes ont été validées à l’aide de MagicFlock, un framework de construction maison pour essaim de quadrotors qui étend RotorS, un framework de simulation Software In The Loop (SITL) construit sur le simulateur basé sur la physique Gazebo. Nos résultats ont démontré que le comportement de l’essaim est obtenu lorsqu’il est intégré à un ensemble de quadrotors à l’intérieur de Gazebo en utilisant les méthodes d’apprentissage itératif proposées avec une performance similaire à un modèle d’essaim qui utilise les positions absolues des robots.