Immersim AI est une plateforme de jeu de rôle à la pointe de la technologie conçue pour libérer la créativité dans la narration. Les utilisateurs peuvent créer et explorer des univers et des scénarios infinis, interagissant avec des personnages dans des récits dynamiques. Que vous soyez un conteur, un joueur ou simplement quelqu'un qui aime les expériences immersives, Immersim AI vous permet de façonner la narration tout en participant à un monde interactif qui évolue en fonction des contributions des utilisateurs, enrichissant ainsi l'expérience.

multi_agent_celar est conçue comme une plateforme d'IA modulaire permettant une communication à langage émergent entre plusieurs agents intelligents dans des environnements simulés. Les utilisateurs peuvent définir le comportement des agents via des fichiers de politique, configurer les paramètres de l'environnement, et lancer des sessions d'entraînement coordonnées où les agents font évoluer leurs propres protocoles de communication pour résoudre des tâches coopératives. Le cadre comprend des scripts d'évaluation, des outils de visualisation, et prend en charge des expériences évolutives, ce qui en fait une solution idéale pour la recherche en collaboration multi-agent, langage émergent et processus de décision.

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.

Ce projet open-source offre un cadre complet d'apprentissage par renforcement multi-agent basé sur PyTorch et Unity ML-Agents. Il propose des algorithmes DDPG décentralisés, des wrappers d'environnements et des scripts d'entraînement. Les utilisateurs peuvent configurer les politiques d'agents, les réseaux critiques, les buffers de relecture et les travailleurs d'entraînement parallèles. Les hooks de journalisation permettent la surveillance avec TensorBoard, tandis qu'une architecture modulaire supporte des fonctions de récompense et paramètres d'environnement personnalisés. Le dépôt inclut des scènes Unity d'exemple illustrant des tâches de navigation collaborative, idéal pour étendre et benchmarker des scénarios multi-agent en simulation.