Nous proposons une approche du problème de contrôle d'un agent autonome fondée sur une architecture connexionniste et inspirée de données biologiques concernant le cortex cérébral. L'ensemble du comportement du robot est géré par un réseau, dont les unités sont des automates complexes, modélisant les maxicolonnes corticales et effectuant des traitements plus élaborés que le neurone formel classique. Nous insistons sur la nécessité de modéliser le rôle de notions comme la motivation et la récompense dans l'élaboration du comportement du robot. Cette prise en compte suppose la capacité de construire des représentations au niveau du réseau qui soient utilisables par le robot pour tirer profit de son environnement. Ces représentations se fondent principalement sur la capacité d'apprendre des corrélations temporelles ainsi que sur la gestion de séquences perceptivo-motrices au niveau de l'architecture corticale. Cet apprentissage est non supervisé, il a lieu en permanence, et les relations apprises sont exploitées au fur et à mesure de leur élaboration au sein du réseau. [...]