RL Shooter est un cadre basé sur Python qui intègre ViZDoom avec les API OpenAI Gym pour créer un environnement flexible d'apprentissage par renforcement pour les jeux FPS. Les utilisateurs peuvent définir des scénarios, cartes et structures de récompense personnalisés pour entraîner les agents sur la navigation, la détection de cibles et les tâches de tir. Avec des cadres d'observation, des espaces d'action et des facilités de journalisation configurables, il supporte des bibliothèques populaires de RL profond comme Stable Baselines et RLlib, permettant un suivi clair des performances et la reproductibilité des expériences.

Team Coordination est une bibliothèque Python légère conçue pour simplifier l'orchestration de plusieurs agents IA travaillant ensemble sur des tâches complexes. En définissant des rôles d'agents spécialisés—tels que planificateurs, exécutants, évaluateurs ou communicateurs—les utilisateurs peuvent décomposer un objectif global en sous-tâches gérables, les déléguer à des agents individuels et faciliter une communication structurée entre eux. Le framework gère l'exécution asynchrone, le routage des protocoles et l'agrégation des résultats, permettant à des équipes d'agents IA de collaborer efficacement. Son système de plugins supporte l'intégration avec des LLM populaires, des API et une logique personnalisée, idéal pour des applications dans le service client automatisé, la recherche, le jeu AI et les pipelines de traitement de données. Avec des abstractions claires et des composants extensibles, Team Coordination accélère le développement de workflows multi-agents évolutifs.

HFO_DQN combine Python et TensorFlow pour fournir une chaîne complète pour entraîner des agents de football utilisant Deep Q-Networks. Les utilisateurs peuvent cloner le dépôt, installer les dépendances incluant le simulateur HFO et les bibliothèques Python, et configurer les paramètres d'entraînement dans des fichiers YAML. Le cadre implémente la mémoire d'expérience, les mises à jour du réseau cible, l'exploration ε-greedy, et le façonnage de récompenses spécifique au domaine offense de moitié terrain. Il comprend des scripts pour l'entraînement des agents, la journalisation des performances, des matchs d'évaluation, et la réalisation de graphiques. La structure modulaire du code permet d'intégrer des architectures neural personnalisées, des algorithmes RL alternatifs, et des stratégies de coordination multi-agents. Les sorties incluent des modèles entraînés, des métriques de performance, et des visualisations du comportement, facilitant la recherche en apprentissage par renforcement et systèmes multi-agents.