Les simulateurs en boîte noire sont largement utilisés en robotique, mais l'optimisation de leurs paramètres reste un défi en raison de l'inaccessibilité des fonctions de vraisemblance. L'inférence basée sur la simulation (SBI) aborde ce problème en utilisant des approches pilotées par simulation, estimant la distribution a posteriori à partir d'observations réelles hors ligne et de simulations directes. Cependant, dans les scénarios en boîte noire, la préparation d'observations contenant suffisamment d'informations pour l'estimation des paramètres est difficile en raison de la relation inconnue entre les paramètres et les observations. Dans ce travail, les auteurs présentent l'inférence basée sur la simulation active (ASBI), un cadre d'estimation de paramètres qui utilise des robots pour collecter activement des données réelles en ligne afin d'atteindre un réglage précis des simulateurs en boîte noire. Leur cadre optimise les actions des robots pour collecter des observations informatives en maximisant le gain d'information, défini comme la réduction attendue de l'entropie de Shannon entre la distribution a posteriori et la distribution a priori. Bien que le calcul du gain d'information nécessite la vraisemblance, inaccessible dans les simulateurs en boîte noire, leur méthode résout ce problème en exploitant l'estimation neuronale de la distribution a posteriori (NPE), qui utilise un réseau de neurones pour apprendre l'estimateur de la distribution a posteriori. Trois expériences de simulation vérifient quantitativement que leur méthode permet une estimation précise des paramètres, avec des distributions a posteriori fortement concentrées autour des vrais paramètres. De plus, ils montrent une application pratique utilisant un robot réel pour estimer les paramètres de simulation de particules cubiques correspondant à deux objets réels, des perles et du gravier, avec une action de versement de seau.