Un autre domaine d'application pour lequel les travaux sur la colonne corticale nous ont été utiles est celui de l'apprentissage par renforcement chez un agent autonome. Dans cette problématique, l'agent doit apprendre comment agir sur son environnement en utilisant sa propre expérience. L'intérêt est de pousser un peu plus loin le paradigme du connexionnisme consistant à minimiser le plus possible l'intervention de l'expert dans le processus d'acquisition de connaissances par la machine. Nous avons, dans ce cadre, développé une architecture connexionniste, dynamique, modulaire et hiérarchique, capable d'apprendre des séquences d'actions par essais et erreurs, et de construire en même temps une représentation explicite de ce qui a été appris. Cette architecture a été appliquée à un problème d'apprentissage d'une tâche nécessitant des capacités de manipulation d'un objet de l'environnement, ainsi que des capacités de reconnaissance de formes (il s'agissait ici de chiffres manuscrits) [42].
Cette expérience nous a permis de montrer le potentiel d'intégration de capacités différentes de notre système (l'apprentissage par renforcement et la reconnaissance des formes). Dans le futur, nos travaux porteront d'une part sur l'intégration de capacités de niveau symbolique (en utilisant la représentation explicite construite par le système), et d'autre part sur une application à des problèmes de robotique mobile (en partant d'un travail exploratoire que nous avons réalisé sur l'application de réseaux connexionnistes à l'apprentissage de tâches d'évitement d'obstacles).