Das Multi-Agenten-Autonomous Waste Collection System ist eine forschungsbasierte Plattform, die Multi-Agenten-Verstärkendes Lernen einsetzt, um einzelne Abfallsammelroboter im Routenkonflikt zu trainieren. Die Agenten lernen, redundante Abdeckung zu vermeiden, die Fahrstrecke zu minimieren und auf dynamische Abfallmuster zu reagieren. Das System ist in Python entwickelt und integriert eine Simulationsumgebung zur Testung und Verfeinerung der Richtlinien vor dem echten Einsatz. Nutzer können Kartenlayouts, Abfallentsorgungsstellen, Sensoreinstellungen der Agenten und Belohnungsstrukturen konfigurieren, um das Verhalten an spezifische urbane Bereiche oder Betriebsbeschränkungen anzupassen.

Das Multi-Agent-basierte Such- und Rettungssystem in ROS ist ein Robotik-Framework, das ROS nutzt, um mehrere autonome Agenten für koordinierte Such- und Rettungsoperationen einzusetzen. Jeder Agent verwendet onboard-Sensoren und ROS-Themen für Echtzeit-Karten, Hindernisvermeidung und Zielerkennung. Ein zentraler Koordinator weist Aufgaben dynamisch zu, basierend auf dem Status der Agenten und Umweltfeedback. Das System kann in Gazebo oder an echten Robotern ausgeführt werden und ermöglicht Forschern und Entwicklern, die Zusammenarbeit mehrerer Roboter, Kommunikationsprotokolle und adaptive Missionsplanung unter realistischen Bedingungen zu testen und zu optimieren.