Comme robots et véhicules autonomes sont désormais déployés dans de nouvelles applications ambitieuses et exigeantes, ils doivent naviguer dans des environnements réels, complexes et non structurés (e.g. trafic urbain, espaces partagés avec des humains). Pour modéliser l'environnement d'un robot pour sa planification locale, ce sont les représentations par objets qui sont beaucoup plus communément utilisées car elles amènent des calculs moins lourds et sont plus simples à manipuler en expressions mathématiques explicites. Mais ces modèles échouent souvent à représenter les scènes non structurées ou incertaines, d'autant que les alentours d'un robot restent généralement très incertains à cause des limites de capteurs et de l'observabilité partielle de la scène. Dans ces conditions, les grilles d'occupation probabilistes et dynamiques semblent fournir une représentation prometteuse pour modéliser l'environnement d'un robot dans l'ensemble de ses logiciels de navigation, de la perception jusqu'à la planification, indépendemment de la complexité et de l'incertitude de la scène. Mais, alors que la recherche en perception basée sur grilles d'occupation a accompli des progrès significatifs au cours des dernières années, l'usage des grilles d'occupation en planification locale reste marginal. Pour ces raisons, la présente thèse recherche comment valoriser les grilles d'occupation dynamiques au sein d'une méthode d'évitement de collisions local. Notre première contribution est un système d'évitement de collisions basé sur grilles d'occupation. Il s'accompagne d'un nouveau Détecteur de Collisions Prédictif que nous proposons comme une interface entre les solutions de perception basées sur grilles et les solutions de planification par échantillonnage. A la différence de la plupart des autres approches, la nôtre opère uniquement sur l'occupation spatiale élémentaire afin d'appréhender la richesse et la polyvalence de la perception des grilles d'occupation modernes. Notre seconde contribution est une solution d'évitement de collisions sensible aux humains et aux interactions. Ceci a nécessité d'élargir le Détecteur de Collisions Prédictif avec plusieurs modèles de prédiction, chacun étant dédié à une classe d'agents. Ainsi, un modèle de prédiction spécifique aux piétons a été ajouté. Il a été inspiré d'un modèle d'interaction humain-véhicule de l'état de l'art. Notre troisième contribution est un environnement logiciel de Réalité Augmentée qui agit au niveau des capteurs, sur les données LiDAR. A la différence de la majorité des autres systèmes de Réalité Augmentée qui opèrent au niveau de représentations par objets, notre approche a permis la validation expérimentale en Réalité Augmentée de la solution d'évitement de collisions proposée, dans son entièreté et sa continuité depuis les données des capteurs jusqu'au contrôle du véhicule en monde réel. Tout au long de ce travail, un soin particulier a été apporté à la seule prise en compte des données des capteurs et de l'occupation spatiale élémentaire, sans jamais utiliser le concept d'objets, ceci pour appréhender la richesse et la polyvalence des grilles d'occupation modernes. Une parallélisation massive des calculs dès la conception des algorithmes a permis une implémentation frugale qui a satisfait les contraintes de temps réel même sur des appareils embarqués. Les méthodes proposées ont été déployées sur 3 robots différents dont une voiture robotisée et testées dans des expérimentations en monde réel. Avec cette contribution, nous espérons faciliter l'usage des grilles d'occupation dynamiques pour l'évitement de collisions et ainsi améliorer la connectivité de l'état de l'art de la perception et de la navigation.