SelfDrivingCarSimulator ist ein leichtgewichtiges Python-Framework, das auf Pygame basiert und eine 2D-Fahrumgebung für das Training autonomer Fahrzeugagenten mit Reinforcement Learning bietet. Es unterstützt anpassbare Streckenlayouts, konfigurierbare Sensorsysteme (wie LiDAR und Kameraemulation), Echtzeitvisualisierung und Leistungsprotokollierung. Entwickler können ihre RL-Algorithmen integrieren, Physikparameter anpassen und Metriken wie Geschwindigkeit, Kollisionsrate und Belohnungsfunktionen überwachen, um Forschungs- und Bildungsprojekte im Bereich des selbstfahrenden Autos schnell voranzutreiben.

MultiAgentModel stellt eine einheitliche API bereit, um benutzerdefinierte Umgebungen und Agentenklassen für Multi-Agenten-Szenarien zu definieren. Entwickler können Beobachtungs- und Aktionsräume, Belohnungsstrukturen und Kommunikationskanäle spezifizieren. Unterstützt werden beliebte RL-Algorithmen wie PPO, DQN und A2C, die mit minimaler Konfiguration trainiert werden können. Echtzeit-Visualisierungstools helfen dabei, Agenteninteraktionen und Leistungsmetriken zu überwachen. Die modulare Architektur gewährleistet eine einfache Integration neuer Algorithmen und benutzerdefinierter Module. Es enthält außerdem ein flexibles Konfigurationssystem für Hyperparameter-Optimierung, Logging-Utilities für Versuchsverfolgung und ist kompatibel mit OpenAI Gym-Umgebungen für nahtlose Portabilität. Benutzer können an gemeinsamen Umgebungen zusammenarbeiten und protokollierte Sitzungen zur Analyse wiedergeben.

Das Berkeley Pacman Projects-Repository bietet eine modulare Python-Codebasis, in der Nutzer KI-Agenten in einem Pacman-Maze bauen und testen. Es führt Lernende durch uninformed und informed Search (DFS, BFS, A*), adversariale Multi-Agenten-Suche (Minimax, Alpha-Beta-Pruning) sowie Reinforcement Learning (Q-Learning mit Merkmalextraktion). Integrierte grafische Interfaces visualisieren das Verhalten der Agenten in Echtzeit, während eingebaute Tests und Autograders die Korrektheit prüfen. Durch Iteration an Algorithmus-Implementierungen gewinnen Nutzer praktische Erfahrung in Zustandsraumexploration, Heuristik-Design, adversarialer Argumentation und Belohnungsbasiertem Lernen innerhalb eines einheitlichen Spiels.

BomberManAI ist ein KI-Agent, der das klassische Bomberman-Spiel autonom spielen soll. Entwickelt in Python, interagiert er mit einer Spielumgebung, um Kartenstatus, verfügbare Züge und Gegnerpositionen in Echtzeit zu erfassen. Der Kernalgorithmus kombiniert A*-Pfadfindung, Breitensuche zur Erreichbarkeitsanalyse und eine heuristische Bewertungsfunktion, um optimale Bombenplatzierung und Fluchtstrategien zu bestimmen. Der Agent handhabt dynamische Hindernisse, Power-Ups und mehrere Gegner auf verschiedenen Kartenlayouts. Seine modulare Architektur ermöglicht die Entwicklung mit benutzerdefinierten Heuristiken, Verstärkendem Lernen oder alternativen Entscheidungsstrategien. Ideal für Spiel-KI-Forscher, Studenten und wettbewerbliche Bot-Entwickler bietet BomberManAI einen flexiblen Rahmen für das Testen und Verbessern autonomer Spielagenten.

CommNet ist eine forschungsorientierte Bibliothek, die die CommNet-Architektur implementiert und es mehreren Agenten erlaubt, Hidden-States bei jedem Zeitschritt zu teilen und Aktionen in kooperativen Umgebungen zu koordinieren. Es beinhaltet PyTorch-Modell-Definitionen, Trainings- und Evaluierungsskripte, Umgebungswrapper für OpenAI Gym und Utilities zur Anpassung der Kommunikationskanäle, Agentenzahlen und Netzwerktiefen. Forscher und Entwickler können CommNet nutzen, um Inter-Agent-Kommunikationsstrategien bei Navigations-, Verfolgungs- und Ressourcen-Sammelaufgaben zu prototypisieren und zu benchmarken.

DataEnvGym liefert eine Sammlung modularer, anpassbarer Umgebungen, die auf der Gym-API basieren und die Forschung im Bereich Verstärkendes Lernen in datengetriebenen Domänen erleichtern. Forscher und Ingenieure können aus integrierten Aufgaben wie Datenreinigung, Feature-Engineering, Batch-Planung und Streaming-Analytics wählen. Das Framework unterstützt nahtlose Integration mit beliebten RL-Bibliotheken, standardisierte Benchmarking-Metriken und Logging-Tools zur Verfolgung der Leistung der Agenten. Benutzer können Umgebungen erweitern oder kombinieren, um komplexe Datenpipelines zu modellieren und Algorithmen unter realistischen Bedingungen zu evaluieren.

Die IntelligentMASPlatform wurde entwickelt, um die Entwicklung und Bereitstellung von Multi-Agenten-Systemen zu beschleunigen, indem eine modulare Architektur mit separaten Agenten-, Umwelt- und Dienstschichten angeboten wird. Agenten kommunizieren mit FIPA-konformen ACL-Nachrichten, was dynamische Verhandlungen und Koordination ermöglicht. Das Framework enthält einen vielseitigen Umgebungsasimulator, der es Entwicklern erlaubt, komplexe Szenarien zu modellieren, Agentenaufgaben zu planen und Interaktionen in Echtzeit über ein integriertes Dashboard zu visualisieren. Für fortgeschrittene Verhaltensweisen integriert es Verstärkungslernmodule und unterstützt benutzerdefinierte Verhaltensplugin. Deployment-Werkzeuge ermöglichen das Paketieren von Agenten in eigenständige Anwendungen oder verteilte Netzwerke. Darüber hinaus erleichtert die API des Frameworks die Integration mit Datenbanken, IoT-Geräten oder Drittanbieter-KI-Diensten, was es für Forschung, industrielle Automatisierung und Smart-City-Anwendungsfälle geeignet macht.

Dieses Repository implementiert emergente Kommunikation im Multi-Agenten-Verstärkungslernen mit PyTorch. Benutzer können neuronale Netzwerke für Sender und Empfänger konfigurieren, um referenzielle Spiele oder kooperative Navigation zu spielen, und so Agenten dazu ermutigen, einen diskreten oder kontinuierlichen Kommunikationskanal zu entwickeln. Es bietet Skripte für Training, Bewertung und Visualisierung gelernter Protokolle sowie Hilfsmittel für die Erstellung von Umgebungen, Nachrichtenkodierung und -decodierung. Forscher können es mit benutzerdefinierten Aufgaben erweitern, Netzarchitekturen anpassen und die Effizienz der Protokolle analysieren, um schnelle Experimente in emergenter Agentenkommunikation zu ermöglichen.

Multi-Agent-Seller bietet eine modulare Umgebung zur Simulation von E-Commerce-Verhandlungen mit KI-Agenten. Es umfasst vorgefertigte Käufer- und Verkäufer-Agenten mit anpassbaren Verhandlungsstrategien, wie dynamische Preisgestaltung, zeitabhängige Zugeständnisse und Nutzenbasierte Entscheidungsfindung. Benutzer können eigene Protokolle, Nachrichtenformate und Marktbedingungen definieren. Das Framework verwaltet Sitzungsmanagement, Angebotstracking und Ergebnisprotokollierung mit integrierten Visualisierungstools zur Analyse der Agenteninteraktionen. Es lässt sich leicht mit Machine-Learning-Bibliotheken integrieren, um Strategien zu entwickeln, sodass Experimente mit Verstärkungslernen oder regelbasierten Agenten möglich sind. Seine erweiterbare Architektur erlaubt das Hinzufügen neuer Agententypen, Verhandlungsregeln und Visualisierungs-Plugins. Multi-Agent-Seller ist ideal für die Erprobung von Multi-Agenten-Algorithmen, die Untersuchung von Verhandlungsverhalten und die Vermittlung von Konzepten in KI- und E-Commerce-Bereichen.

NeuralABM ist eine Open-Source-Bibliothek in Python, die PyTorch nutzt, um neuronale Netze in das agentenbasierte Modellieren zu integrieren. Benutzer können Agentenarchitekturen als neuronale Module spezifizieren, die Umgebungsdynamik definieren und das Verhalten der Agenten mit Rückpropagation über Simulationsschritte trainieren. Das Framework unterstützt benutzerdefinierte Belohnungssignale, Curriculum-Lernen und synchrone oder asynchrone Updates, um emergente Phänomene zu untersuchen. Mit Utilities für Logging, Visualisierung und Datensatzexport können Forscher und Entwickler die Agentenleistung analysieren, Modelle debuggen und Simulationen optimieren. NeuralABM vereinfacht die Verbindung von Reinforcement Learning mit ABM für Anwendungen in Sozialwissenschaften, Wirtschaft, Robotik und KI-gesteuertes NPC-Verhalten in Spielen. Es bietet modulare Komponenten für die Umgebungsanpassung, unterstützt Multi-Agenten-Interaktionen und Hooks zur Integration externer Datensätze oder APIs für reale Simulationen. Das offene Design fördert Reproduzierbarkeit und Zusammenarbeit durch klare Versuchsparameter und Versionskontrollintegration.

NKC Multi-Agent Models bietet Forschern und Entwicklern ein umfassendes Toolkit für die Gestaltung, das Training und die Bewertung von Multi-Agenten-Verstärkungslernsystemen. Es verfügt über eine modulare Architektur, bei der Nutzer benutzerdefinierte Agenten-Policies, Umgebungsdynamiken und Belohnungsstrukturen definieren. Die nahtlose Integration mit OpenAI Gym ermöglicht schnelle Prototyp-Entwicklung, während die Unterstützung für TensorFlow und PyTorch Flexibilität bei der Auswahl der Lern-Backends bietet. Das Framework enthält Werkzeuge für Erfahrungsspeicherung, zentrales Training mit dezentraler Ausführung und verteiltes Training auf mehreren GPUs. Umfangreiche Logging- und Visualisierungs-Module erfassen Leistungsmetriken, was Benchmarking und Hyperparameter-Optimierung erleichtert. Durch die Vereinfachung der Einrichtung kooperativer, wettbewerbsorientierter und gemischter Szenarien beschleunigt NKC Multi-Agent Models die Forschung in Bereichen wie autonomes Fahren, Robotik-Schwärme und Spiel-KI.

Pacman AI bietet eine voll funktionsfähige Python-basierte Umgebung und Agenten-Framework für das klassische Pacman-Spiel. Das Projekt implementiert zentrale Verstärkungslernalgorithmen—Q-Learning und Wertiteration—damit der Agent optimale Strategien für Pillenaufnahme, Maze-Navigation und Geistervermeidung lernen kann. Nutzer können benutzerdefinierte Belohnungsfunktionen definieren und Hyperparameter wie Lernrate, Abzinsungsfaktor und Explorationsstrategie anpassen. Das Framework unterstützt Metrik-Logging, Leistungsvisualisierung und reproduzierbare Experimente. Es ist auf einfache Erweiterbarkeit ausgelegt, sodass Forscher und Studierende neue Algorithmen oder neuronale Lernansätze integrieren und gegen Basis-Gittermethoden im Pacman-Domain benchmarken können.

PommerLearn ermöglicht Forschern und Entwicklern das Training von Multi-Agenten-RL-Bots in der Pommerman-Umgebung. Es enthält einsatzfertige Implementierungen beliebter Algorithmen (PPO, DQN), flexible Konfigurationsdateien für Hyperparameter, automatische Protokollierung und Visualisierung von Trainingsmetriken, Modell-Checkpointing und Evaluierungsskripte. Die modulare Architektur erleichtert die Erweiterung durch neue Algorithmen, die Anpassung der Umgebung und die Integration mit standardmäßigen ML-Bibliotheken wie PyTorch.

Simple Playgrounds bietet eine modulare Plattform zum Aufbau interaktiver 2D-Gitterumgebungen, in denen Agenten Labyrinthe erkunden, mit Objekten interagieren und Aufgaben erfüllen können. Benutzer definieren Umgebungslayouts, Objektverhalten und Belohnungsfunktionen mit einfachen YAML- oder Python-Skripten. Der integrierte Pygame-Renderer liefert eine Echtzeitvisualisierung, während eine schrittabhängige API eine nahtlose Integration mit RL-Bibliotheken wie Stable Baselines3 ermöglicht. Mit Unterstützung für Multi-Agent-Setups, Kollisionsdiagnose und anpassbare physikalische Parameter vereinfacht Simple Playgrounds die Prototypenerstellung, Benchmarking und pädagogische Demonstrationen von KI-Algorithmen.

RL-Agents ist ein forschungsorientiertes Verstärkungslern-Framework, das auf PyTorch aufbaut und beliebte RL-Algorithmen aus wertbasierten, politikbasierten und actor-critic-Methoden bündelt. Die Bibliothek verfügt über eine modulare Agent-API, GPU-Beschleunigung, nahtlose Integration mit OpenAI Gym und integrierte Logging- und Visualisierungstools. Benutzer können Hyperparameter konfigurieren, Trainingsabläufe anpassen und die Leistung mit wenigen Zeilen Code benchmarken, was RL-Agents ideal für wissenschaftliche Forschung, Prototyping und industrielle Experimente macht.

RL Collision Avoidance bietet eine vollständige Pipeline zur Entwicklung, Schulung und Einsatz von Kollisionsvermeidungspolicies für Mehrrobotersysteme. Es bietet eine Reihe von simulationsbasierten Szenarien, in denen Agenten durch Verstärkungslernalgorithmen kollisionsfreie Navigation erlernen. Benutzer können Umweltparameter anpassen, GPU-Beschleunigung für schnellere Schulung nutzen und erlernte Policies exportieren. Das Framework integriert sich zudem mit ROS für Tests in der realen Welt, unterstützt vortrainierte Modelle für sofortige Evaluierung und bietet Werkzeuge zur Visualisierung von Agentenverfolgungen und Leistungsmetriken.

Dead-simple Selbstlernen bietet Entwicklern eine äußerst einfache Methode, um Verstärkungslernagenten in Python zu erstellen und zu trainieren. Das Framework abstrahiert Kernkomponenten des RL, wie Umgebungswrapper, Policy-Module und Erfahrungspuffer, in prägnante Schnittstellen. Nutzer können schnell Umgebungen initialisieren, benutzerdefinierte Policies mit vertrauten Backends wie PyTorch oder TensorFlow definieren und Trainingsschleifen mit integrierter Protokollierung und Checkpoints ausführen. Die Bibliothek unterstützt on-policy und off-policy Algorithmen, was flexible Experimente mit Q-Learning, Policy-Gradients und Actor-Critic-Methoden ermöglicht. Durch die Reduktion von Boilerplate-Code erlaubt Dead-simple Selbstlernen Praktikern, Pädagogen und Forschern, Algorithmen zu prototypisieren, Hypothesen zu testen und die Agentenleistung zu visualisieren – mit minimaler Konfiguration. Das modulare Design erleichtert auch die Integration mit bestehenden ML-Stacks und maßgeschneiderten Umgebungen.

SoccerAgent ist ein spezialisiertes KI-Framework zur Entwicklung und zum Training autonomer Fußballagenten mit modernsten Multi-Agenten-Verstärkungslernmethoden (MARL). Es simuliert realistische Fußballspiele in 2D- oder 3D-Umgebungen und bietet Werkzeuge zur Definition von Belohnungsfunktionen, Anpassung von Spielerattributen und Implementierung taktischer Strategien. Nutzer können gängige RL-Algorithmen wie PPO, DDPG und MADDPG über integrierte Module integrieren, den Trainingsfortschritt auf Dashboards überwachen und Agentenverhalten in Echtzeit visualisieren. Das Framework unterstützt szenarienbasiertes Training für Angriffs-, Verteidigungs- und Koordinationsprotokolle. Mit einer erweiterbaren Codebasis und ausführlicher Dokumentation ermöglicht SoccerAgent Forschern und Entwicklern, Teamdynamiken zu analysieren und KI-gesteuerte Spielstrategien für wissenschaftliche und kommerzielle Projekte zu verfeinern.

Dieses Repository bietet ein End-to-End-Verstärkungslernframework für die Forschung im StarCraft II Gameplay. Der Kernagent verwendet Proximal Policy Optimization (PPO), um Policies-Netzwerke zu erlernen, die Beobachtungsdaten aus der PySC2-Umgebung interpretieren und präzise Spielaktionen ausführen. Entwickler können neuronale Netzwerkschichten, Belohnungsformung und Trainingspläne konfigurieren, um die Leistung zu optimieren. Das System unterstützt Mehrprozessverarbeitung für effiziente Beispelsammlung, Protokollierungstools zur Überwachung der Trainingskurven und Evaluierungsskripte zum Testen trainierter Policies gegen skriptgesteuerte oder integrierte KI-Gegner. Der Code ist in Python geschrieben und nutzt TensorFlow für Modelldefinition und Optimierung. Nutzer können Komponenten wie maßgeschneiderte Belohnungsfunktionen, Zustandsvorverarbeitung oder Netzwerkarchitekturen erweitern, um spezifische Forschungsziele zu verfolgen.

TexasHoldemAgent bietet eine modulare Umgebung auf Python-Basis, um einen KI-gestützten Poker-Spieler für Heads-up-Limits Texas Hold'em zu trainieren, zu bewerten und einzusetzen. Es integriert eine benutzerdefinierte Simulations-Engine mit Algorithmen des Deep Reinforcement Learning, einschließlich DQN, für iterative Politikverbesserung. Zu den Kernfunktionen gehören die Codierung des Hand-Zustands, Definitionsbereich für Aktionen (fold, call, raise), Belohnungsformung und Echtzeit-Entscheidungsbewertung. Nutzer können Lernparameter anpassen, CPU/GPU-Beschleunigung nutzen, den Trainingsfortschritt überwachen sowie trainierte Modelle laden oder speichern. Das Framework unterstützt Batch-Simulationen zur Testung verschiedener Strategien, Generierung von Leistungskennzahlen und Visualisierung der Gewinnraten, wodurch Forscher, Entwickler und Poker-Enthusiasten experimentieren können, um KI-gesteuerte Spielstrategien zu entwickeln.