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.

SoccerAgent est un cadre IA spécialisé conçu pour développer et entraîner des agents de football autonomes en utilisant des techniques avancées d'apprentissage par renforcement multi-agent (MARL). Il simule des matchs de football réalistes dans des environnements 2D ou 3D, offrant des outils pour définir des fonctions de récompense, personnaliser les attributs des joueurs et mettre en œuvre des stratégies tactiques. Les utilisateurs peuvent intégrer des algorithmes RL courants (tels que PPO, DDPG et MADDPG) via des modules intégrés, suivre la progression de l'entraînement via des tableaux de bord et visualiser le comportement des agents en temps réel. Le cadre prend en charge l'entraînement basé sur des scénarios pour l'attaque, la défense et la coordination. Avec une base de code extensible et une documentation détaillée, SoccerAgent permet aux chercheurs et développeurs d'analyser la dynamique d'équipe et d'affiner leurs stratégies de jeu basées sur l'IA pour des projets académiques et commerciaux.

CybMASDE permet aux chercheurs et développeurs de construire, configurer et exécuter des simulations multi-agent avec apprentissage par renforcement profond. Les utilisateurs peuvent élaborer des scénarios personnalisés, définir des rôles d'agents et des fonctions de récompense, et brancher des algorithmes RL standard ou personnalisés. Le cadre comprend des serveurs d'environnement, des interfaces d'agents en réseau, des collecteurs de données et des utilitaires de rendu. Il supporte l'entraînement parallèle, la surveillance en temps réel et la sauvegarde de modèles. L'architecture modulaire de CybMASDE permet une intégration transparente de nouveaux agents, espaces d'observation et stratégies d'entraînement, accélérant l'expérimentation dans la commande coopérative, le comportement en essaim, l'allocation des ressources et autres cas d'usage multi-agent.

Jason-RL ajoute une couche d'apprentissage par renforcement au cadre multi-agent Jason, permettant aux agents AgentSpeak BDI d'apprendre des politiques de sélection d'actions via le feedback de récompense. Elle met en œuvre les algorithmes Q-learning et SARSA, supporte la configuration des paramètres d'apprentissage (taux d'apprentissage, facteur d'actualisation, stratégie d'exploration) et enregistre les métriques d'entraînement. En définissant des fonctions de récompense dans les plans d'agents et en exécutant des simulations, les développeurs peuvent observer l'amélioration des prises de décision des agents au fil du temps, s'adaptant à des environnements changeants sans coder manuellement les politiques.

Le framework LLM Maze Agent fournit un environnement basé sur Python pour construire des agents intelligents capables de naviguer dans des labyrinthes en grille en utilisant de grands modèles linguistiques. En combinant des interfaces modulaires d’environnement avec des modèles de prompt en chaîne de pensée et une planification heuristique, l’agent interroge itérativement un LLM pour décider des directions de déplacement, s’adapter aux obstacles et mettre à jour sa représentation d’état interne. La prise en charge prête à l’emploi des modèles OpenAI et Hugging Face permet une intégration transparente, tandis que la génération de labyrinthes configurable et le débogage étape par étape facilitent l’expérimentation avec différentes stratégies. Les chercheurs peuvent ajuster les fonctions de récompense, définir des espaces de observations personnalisés et visualiser les trajectoires de l’agent pour analyser les processus de raisonnement. Ce design rend LLM Maze Agent un outil polyvalent pour évaluer la planification pilotée par LLM, enseigner des concepts d’IA et benchmarker la performance des modèles sur des tâches de raisonnement spatial.

MineLand fournit un environnement sandbox 3D flexible inspiré de Minecraft pour former des agents d'apprentissage par renforcement. Il dispose d’API compatibles Gym pour une intégration transparente avec des bibliothèques RL existantes telles que Stable Baselines, RLlib, et des implémentations personnalisées. Les utilisateurs ont accès à une bibliothèque de tâches, notamment collecte de ressources, navigation et défis de construction, chacun avec une difficulté et une structure de récompense configurables. Le rendu en temps réel, les scénarios multi-agent et les modes sans interface graphique permettent un entraînement évolutif et des benchmarks. Les développeurs peuvent concevoir de nouvelles cartes, définir des fonctions de récompense personnalisées, et ajouter des capteurs ou contrôles supplémentaires. La base de code open-source de MineLand favorise la recherche reproductible, le développement collaboratif, et le prototypage rapide d’agents IA dans des mondes virtuels complexes.

multiagent-env est une bibliothèque Python open-source conçue pour simplifier la création et l’évaluation d’environnements d’apprentissage par renforcement multi-agent. Les utilisateurs peuvent définir des scénarios cooperatifs et adverses en spécifiant le nombre d’agents, les espaces d’action et d’observation, les fonctions de récompense et la dynamique de l’environnement. Elle supporte la visualisation en temps réel, un rendu configurable et une intégration facile avec des frameworks RL basés sur Python tels que Stable Baselines et RLlib. La conception modulaire permet de prototyper rapidement de nouveaux scénarios et de comparer aisément les algorithmes multi-agent.

multiagent_envs offre un ensemble modulaire d'environnements basés sur Python adaptés à la recherche et au développement en apprentissage par renforcement multi-agent. Il inclut des scénarios comme la navigation coopérative, la prédation, les dilemmes sociaux et des arènes compétitives. Chaque environnement permet de définir le nombre d'agents, les caractéristiques d'observation, les fonctions de récompense et la dynamique de collision. Le framework s'intègre facilement avec des bibliothèques RL populaires telles que Stable Baselines et RLlib, permettant des boucles d'entraînement vectorisées, une exécution parallèle et une journalisation facile. Les utilisateurs peuvent étendre des scénarios existants ou en créer de nouveaux via une API simple, accélérant l'expérimentation avec des algorithmes comme MADDPG, QMIX et PPO dans un environnement cohérent et reproductible.