RL Collision Avoidance offre une pipeline complète pour développer, former et déployer des politiques d’évitement de collision multi-robots. Il propose une série de scénarios de simulation compatibles Gym où les agents apprennent une navigation sans collision à l’aide d’algorithmes d'apprentissage par renforcement. Les utilisateurs peuvent personnaliser les paramètres de l’environnement, exploiter l’accélération GPU pour un entraînement plus rapide et exporter les politiques apprises. Le cadre intègre également ROS pour des tests sur le terrain, supporte des modèles pré-entraînés pour une évaluation immédiate et propose des outils pour visualiser les trajectoires des agents et les métriques de performance.

CASA est conçue comme un cadre d'autonomie modulaire, prêt à l'emploi, basé sur l'écosystème Robot Operating System (ROS). Elle présente une architecture décentralisée où chaque robot exécute des planificateurs locaux et des nœuds d'arbres de comportement, publiant sur un tableau noir partagé pour les mises à jour de l'état du monde. L'attribution de tâches est gérée par des algorithmes d'enchères qui assignent des missions en fonction des capacités et de la disponibilité des robots. La couche de communication utilise des messages ROS standards sur des réseaux multi-robots pour synchroniser les agents. Les développeurs peuvent personnaliser les paramètres des missions, intégrer des pilotes de capteurs et étendre les bibliothèques de comportements. CASA supporte la simulation de scénarios, la surveillance en temps réel et des outils de journalisation. Sa conception extensible permet aux équipes de recherche d'expérimenter de nouveaux algorithmes de coordination et de déployer sans effort sur diverses plates-formes robotiques, des véhicules terrestres sans pilote aux drones aériens.

Le F1Tenth Two-Agent Simulator est un cadre de simulation spécialisé construit sur ROS et Gazebo pour émuler deux véhicules autonomes à l’échelle 1/10 en course ou en coopération sur des circuits personnalisés. Il prend en charge la physique réaliste du modèle de pneus, l’émulation de capteurs, la détection de collisions et la journalisation des données. Les utilisateurs peuvent intégrer leurs propres algorithmes de planification et de contrôle, ajuster les paramètres des agents, et exécuter des scénarios tête-à-tête pour évaluer la performance, la sécurité et les stratégies de coordination dans des conditions contrôlées.