Il existe deux approches principales pour l'animation comportementale d'un Agent Autonome Virtuel. La première, ou modèle comportemental, définit la manière dont cet Agent Autonome Virtuel réagit face à l'état courant de son environnement. Dans la seconde, ou modèle cognitif, cet Agent Autonome Virtuel utilise un processus qui lui permet d'agir au-dessus de ses actions potentielles. En dépit du succès de ces approches dans plusieurs domaines, elles présentent deux limitations importantes que nous relevons dans cet ouvrage. Nos contributions comprennent le développement de nouvelles méthodes d'apprentissage pour approximer les modèles comportementaux et cognitifs. Elles traitent également le problème de la sélection des données d'entrée, grâce à une architecture cognitive originale ALifeE qui intègre les senseurs virtuels et la perception virtuelle, dans le cadre de la méthodologie de l'apprentissage choisie. La dimension des entrées doit être maintenue aussi petite que possible, en raison de la "malédiction de la dimension", bien connue en apprentissage artificiel. Ainsi, l'utilisation de l'ALifeE simplifie et accélère le processus pour le concepteur.