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.

AgentRpi transforme un Raspberry Pi en un hub d'agents IA edge en orchestrant des modèles de langage avec du matériel physique. En combinant des entrées de capteurs (température, mouvement), des flux de caméras et de l'audio micro, il traite les informations contextuelles via des LLM configurés (OpenAI GPT, variantes Llama locales) pour planifier et exécuter des actions de manière autonome. Les utilisateurs définissent des comportements à l'aide de configurations YAML ou de scripts Python, permettant des tâches comme le déclenchement d'alertes, l'ajustement des broches GPIO, la capture d'images ou la réponse aux commandes vocales. Son architecture basée sur des plugins permet des intégrations API transparentes, l'ajout de compétences personnalisées et le déploiement via Docker. Idéal pour les environnements à faible consommation et sensibles à la confidentialité, AgentRpi permet aux développeurs de prototyper des scénarios d'automatisation intelligente sans dépendre uniquement des services cloud.

AutoX se spécialise dans le développement de systèmes IA pour les véhicules autonomes, y compris des capacités de perception et de décision en temps réel. Il intègre des algorithmes avancés pour interpréter les données provenant de divers capteurs, permettant ainsi au véhicule de naviguer dans des environnements complexes. AutoX met également l'accent sur les fonctionnalités de sécurité, garantissant que le système autonome puisse prendre des décisions éclairées tout en respectant les lois et régulations routières. Son objectif est d'améliorer l'expérience de conduite en offrant des solutions fluides, fiables et conviviales pour les passagers et les opérateurs de flotte.

Embedded BDI fournit un moteur complet pour le cycle de vie BDI : il modélise les croyances d'un agent sur son environnement, gère l'évolution des désirs ou objectifs, choisit des intentions dans une bibliothèque de plans, et exécute des comportements en temps réel. Le cadre comprend des modules pour le stockage de la base de croyances, la définition de la bibliothèque de plans, le déclenchement d'événements et le contrôle de la concurrence, spécialement conçu pour les microcontrôleurs à mémoire limitée. Avec une API simple, les développeurs peuvent annoter les croyances, spécifier des désirs et implémenter des plans dans le code. Son ordonnanceur gère l'exécution prioritaire des intentions et s'intègre avec les interfaces matérielles pour capteurs, actionneurs et communication réseau, ce qui le rend idéal pour les appareils IoT autonomes, robots mobiles et contrôleurs industriels.

L'Agent IA Ida utilise des algorithmes d'apprentissage automatique et des analyses de données pour fournir des informations exploitables pour les opérations de forage. En traitant d'énormes quantités de données provenant de diverses sources telles que des capteurs et des rapports de terrain, Ida identifie des modèles, optimise les paramètres de forage et prédit les pannes d'équipement. Cela permet aux équipes de prendre des décisions basées sur les données qui améliorent l'efficacité, réduisent les coûts et augmentent la sécurité sur le site.

L'Agent IA de Luminar tire parti de la technologie lidar avancée et de l'apprentissage automatique pour améliorer la perception du véhicule, identifier avec précision les obstacles et améliorer la prise de décision pour une conduite autonome plus sûre. Il joue un rôle essentiel dans l'intégration des capteurs pour fournir un traitement de données en temps réel, garantissant que les véhicules peuvent naviguer efficacement dans des environnements complexes. Cette technologie permet aux fabricants de déployer des systèmes autonomes qui respectent les normes de sécurité de l'industrie tout en optimisant les performances.

Le système de recherche et de sauvetage basé sur plusieurs agents dans ROS est un cadre robotique qui utilise ROS pour déployer plusieurs agents autonomes afin d’effectuer des opérations coordonnées de recherche et de sauvetage. Chaque agent utilise des capteurs à bord et des sujets ROS pour la cartographie en temps réel, l’évitement des obstacles et la détection de cibles. Un coordinateur central assigne de manière dynamique les tâches en fonction du statut des agents et des retours du environnement. Le système peut fonctionner dans Gazebo ou sur des robots réels, permettant aux chercheurs et développeurs de tester et d’affiner la coopération multi-robots, les protocoles de communication et la planification adaptative des missions dans des conditions réalistes.

multiagent-golang fournit une approche structurée pour construire des systèmes multi-agents en Go. Il introduit une abstraction d'Agent où chaque agent peut être équipé de divers capteurs pour percevoir son environnement et d'actionneurs pour agir. Les agents s'exécutent simultanément en utilisant des goroutines et communiquent via des canaux de messagerie dédiés. Le framework comprend également une couche de simulation d'environnement pour gérer les événements, la gestion du cycle de vie des agents et le suivi des changements d'état. Les développeurs peuvent facilement étendre ou personnaliser les comportements des agents, configurer les paramètres de simulation et intégrer des modules pour la journalisation ou l'analyse. Il simplifie la création de simulations évolutives et concurrentes pour la recherche et le prototypage.

RoboCup Rescue Agent Simulation est un cadre open-source qui modélise des environnements urbains de catastrophe où plusieurs agents pilotés par IA collaborent pour localiser et sauver des victimes. Il propose des interfaces pour la navigation, la cartographie, la communication et l’intégration de capteurs. Les utilisateurs peuvent écrire des stratégies d’agents personnalisées, exécuter des expériences par lot, et visualiser les indicateurs de performance des agents. La plateforme supporte la configuration des scénarios, la journalisation et l’analyse des résultats pour accélérer la recherche dans les systèmes multi-agents et les algorithmes de réponse aux catastrophes.