Multi-Agent-AI-Models-and-Path-Planning fournit une boîte à outils complète pour développer et tester des systèmes multi-agent combinés à des méthodes classiques et modernes de planification de trajectoire. Il inclut des implémentations d'algorithmes tels que A*, Dijkstra, RRT, et les champs de potentiel, ainsi que des modèles de comportement d'agents personnalisables. Le cadre dispose de modules de simulation et de visualisation, permettant une création facile de scénarios, une surveillance en temps réel et une analyse de performance. Conçu pour l'extensibilité, les utilisateurs peuvent ajouter de nouveaux algorithmes de planification ou modèles de décision d'agents pour évaluer la navigation collaborative et l'attribution de tâches dans des environnements complexes.

Le système de recherche et de sauvetage basé sur plusieurs agents dans ROS est un cadre robotique qui utilise ROS pour déployer plusieurs agents autonomes afin d’effectuer des opérations coordonnées de recherche et de sauvetage. Chaque agent utilise des capteurs à bord et des sujets ROS pour la cartographie en temps réel, l’évitement des obstacles et la détection de cibles. Un coordinateur central assigne de manière dynamique les tâches en fonction du statut des agents et des retours du environnement. Le système peut fonctionner dans Gazebo ou sur des robots réels, permettant aux chercheurs et développeurs de tester et d’affiner la coopération multi-robots, les protocoles de communication et la planification adaptative des missions dans des conditions réalistes.

AgentSimulation est une bibliothèque Python open-source construite sur Pygame pour simuler plusieurs agents autonomes dans un environnement 2D. Elle permet aux utilisateurs de configurer les propriétés des agents, les comportements de pilotage (chercher, fuir, errer), la détection de collision, la recherche de chemins et les règles interactives. Avec un rendu en temps réel et une conception modulaire, elle supporte la création rapide de prototypes, les simulations éducatives et la recherche à petite échelle en intelligence collective ou interactions multi-agents.

Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.