Pour être qualifié d'autonome, un robot mobile doit être capable d'évoluer dans un environnement non contrôlé, changeant et sur lequel il ne dispose que d'informations incertaines. La programmation bayésienne des robots est adaptée à ce problème, et dans ce cadre, notre objectif consiste à automatiser la découverte de nouveaux comportements. Nous désirons que le robot trouve par lui-même des corrélations entre ses variables sensori-motrices afin d'apprendre à résoudre sa tâche d'une nouvelle manière. Notre approche consiste à proposer et à comparer différentes méthodes pour trouver ces corrélations. Nous validerons les méthodes sur des données issues d'un simulateur logiciel et des données réelles provenant d'un petit robot autonome : Le Koala.