La complexité croissante des tâches abordées par la robotique humanoïde nécessite des modèles mécaniques précis difficiles à obtenir en pratique. Une approche possible est de laisser le robot acquérir ses propres modèles par apprentissage. Dans Sicard et al. (2011), deux algorithmes ont été comparés pour l'apprentissage de modèles cinéma- tiques sur le robot iCub : XCSF et LWPR. Cette comparaison a été menée sur des don- nées issues de simulations. Dans ce travail, nous nous proposons d'étendre cette étude au cas de données provenant du robot iCub afin d'analyser le comportement de ces algo- rithmes face à des données fortement bruitées dans des conditions réelles d'utilisation. Nous ajoutons également l'étude d'un troisième algorithme, iRFRLS. Après une étude détaillée du paramétrage des trois algorithmes, nous montrons que les résultats obtenus dans Sicard et al. (2011) sont toujours valables sur des données réelles : XCSF converge plus lentement, mais vers une erreur plus faible que LWPR. Toutefois, nous montrons que ces deux algorithmes sont surpassés par iRFRLS.