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.

CogAgent est une bibliothèque Python open-source axée sur la recherche, conçue pour rationaliser le développement d'agents IA. Elle fournit des modules principaux pour la gestion de la mémoire, la planification et le raisonnement, l'intégration d'outils et d'API, ainsi que l'exécution en chaîne de pensée. Grâce à son architecture hautement modulaire, les utilisateurs peuvent définir des outils, des mémoires et des politiques d'agents personnalisés pour créer des chatbots conversationnels, des planificateurs de tâches autonomes et des scripts d'automatisation de workflow. CogAgent supporte l'intégration avec des modèles de langage populaires tels qu'OpenAI GPT et Meta LLaMA, permettant aux chercheurs et développeurs d'expérimenter, d'étendre et de faire évoluer leurs agents intelligents pour diverses applications réelles.

ePH-MAPF fournit un pipeline efficace pour calculer des chemins sans collision pour des dizaines à des centaines d'agents sur des cartes basées sur une grille. Il utilise des heuristiques prioritaires, des techniques de recherche incrémentielle et des métriques de coût personnalisables (Manhattan, Euclidéenne) pour équilibrer rapidité et qualité de la solution. Les utilisateurs peuvent choisir parmi différentes fonctions heuristiques, intégrer la bibliothèque dans des systèmes robotiques Python, et benchmarker la performance sur des scénarios MAPF standards. Le code est modulaire et bien documenté, permettant aux chercheurs et développeurs de l’étendre pour des obstacles dynamiques ou des environnements spécialisés.

Le module Java Action Linearprogram fournit une action spécialisée pour le cadre LightJason qui permet aux agents de modéliser et de résoudre des tâches d'optimisation linéaire. Les utilisateurs peuvent configurer des coefficients d'objectif, ajouter des contraintes d'égalité et d'inégalité, sélectionner des méthodes de résolution, et exécuter le solveur dans un cycle de raisonnement de l'agent. Une fois exécutée, l'action retourne les valeurs optimisées des variables et le score de l'objectif que les agents peuvent utiliser pour la planification ou l'exécution ultérieure. Cette composante plug-and-play abstrait la complexité du solveur tout en conservant un contrôle total sur la définition du problème via des interfaces Java.