Le projet Multi Agent Robotic System offre une plateforme modulaire basée sur Python pour développer, simuler et déployer des équipes robotiques coopératives. Il implémente principalement des stratégies de contrôle décentralisé permettant aux robots de partager des informations d'état et de répartir collaborativement les tâches sans coordinateur central. Le système comprend des modules intégrés pour la planification de trajectoires, la prévention des collisions, la cartographie de l'environnement et la planification dynamique des tâches. Les développeurs peuvent intégrer de nouveaux algorithmes en étendant les interfaces fournies, ajuster les protocoles de communication via des fichiers de configuration et visualiser les interactions entre robots dans des environnements simulés. Compatible avec ROS, il supporte la transition transparente de la simulation au matériel réel. Ce cadre accélère la recherche en fournissant des composants réutilisables pour le comportement en essaim, l'exploration collaborative et les expériences d'automatisation d'entrepôt.

Pacman AI offre un environnement Python entièrement fonctionnel et un cadre d'agents pour le jeu classique Pacman. Le projet implémente des algorithmes clés d'apprentissage par renforcement—Q-learning et itération de valeurs—pour permettre à l'agent d'apprendre des stratégies optimales pour la collecte de pilules, la navigation dans le labyrinthe et l'évitement des fantômes. Les utilisateurs peuvent définir des fonctions de récompense personnalisées et ajuster des hyperparamètres tels que le taux d'apprentissage, le facteur de dépréciation et la stratégie d'exploration. Le cadre supporte la journalisation des métriques, la visualisation des performances et la configuration d'expériences reproductibles. Conçu pour une extension facile, il permet aux chercheurs et étudiants d'intégrer de nouveaux algorithmes ou approches d'apprentissage basées sur des réseaux neuronaux et de les comparer aux méthodes de grille de référence dans le domaine Pacman.

CityLearn fournit une plateforme de simulation modulaire pour la recherche en gestion de l'énergie utilisant l'apprentissage par renforcement. Les utilisateurs peuvent définir des regroupements de bâtiments multi-zones, configurer des systèmes HVAC, des unités de stockage et des sources renouvelables, puis entraîner des agents RL contre des événements de réponse à la demande. L'environnement expose des observations d'état telles que températures, profils de charge et prix de l'énergie, tandis que les actions contrôlent les points de consigne et la dispatch du stockage. Une API de récompense flexible permet des métriques personnalisées—comme les économies de coûts ou la réduction des émissions—et les outils de journalisation supports l'analyse des performances. CityLearn est idéal pour le benchmarking, l'apprentissage par curriculum, et le développement de nouvelles stratégies de contrôle dans un cadre de recherche reproductible.

CryptoTrader Agents fournit une boîte à outils complète pour concevoir, entraîner et déployer des stratégies de trading pilotées par IA sur les marchés de cryptomonnaies. Il inclut un environnement modulaire pour l’ingestion de données, la création de fonctionnalités, et des fonctions de récompense personnalisées. Les utilisateurs peuvent exploiter des algorithmes d’apprentissage par renforcement préconfigurés ou intégrer leurs propres modèles. La plateforme offre un backtesting simulé basé sur des données historiques de prix, des contrôles de gestion des risques, et un suivi précis des métriques. Lorsqu’elle est prête, les agents peuvent se connecter aux API d’échange en direct pour une exécution automatisée. Bordée en Python, la plateforme est entièrement extensible, permettant aux utilisateurs de prototyper de nouvelles tactiques, d’effectuer des balayages de paramètres, et de surveiller les performances en temps réel.

Fast Reinforcement Learning est un framework Python spécialisé visant à accélérer le développement et l'exécution d'agents d'apprentissage par renforcement. Il offre une prise en charge prête à l'emploi pour des algorithmes populaires tels que PPO, A2C, DDPG et SAC, associée à une gestion d'environnements vectorisés à haut débit. Les utilisateurs peuvent facilement configurer des réseaux de politiques, personnaliser des boucles d'apprentissage et exploiter l'accélération GPU pour des expérimentations à grande échelle. La conception modulaire de la bibliothèque assure une intégration transparente avec les environnements OpenAI Gym, permettant aux chercheurs et praticiens de prototyper, de benchmarker et de déployer des agents dans une variété de tâches de contrôle, de jeux et de simulation.

Multi-Agents System from Scratch fournit un ensemble complet de modules Python pour construire, personnaliser et évaluer des environnements multi-agents depuis le début. Les utilisateurs peuvent définir des modèles du monde, créer des classes d'agents avec des sens uniques et des capacités d'action, ainsi que mettre en place des protocoles de communication flexibles pour la coopération ou la compétition. Le framework prend en charge l'attribution dynamique des tâches, les modules de planification stratégique et le suivi des performances en temps réel. Son architecture modulaire permet une intégration facile d'algorithmes personnalisés, de fonctions de récompense et de mécanismes d'apprentissage. Avec des outils de visualisation et des utilitaires de journalisation intégrés, les développeurs peuvent surveiller les interactions des agents et diagnostiquer les motifs de comportement. Conçu pour l'extensibilité et la clarté, le système s'adresse aussi bien aux chercheurs explorant l'IA distribuée qu'aux éducateurs enseignant la modélisation par agents.

OpenSpiel est un cadre de recherche qui fournit une large gamme d'environnements (de jeux simples sur matrice à des jeux de plateau complexes comme Échecs, Go et Poker) et implémente divers algorithmes d'apprentissage par renforcement et de recherche (ex. itération de valeur, méthodes de gradient de politique, MCTS). Son noyau modulaire en C++ et ses liaisons Python permettent aux utilisateurs d'intégrer des algorithmes personnalisés, de définir de nouveaux jeux et de comparer les performances sur des benchmarks standards. Conçu pour l’extensibilité, il supporte des scénarios à un ou plusieurs agents, permettant d’étudier des stratégies coopératives et compétitives. Les chercheurs utilisent OpenSpiel pour prototyper rapidement des algorithmes, réaliser des expériences à grande échelle et partager du code reproductible.