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.

Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.

L'environnement multi-agent pour drones est un package Python proposant une simulation multi-agent configurable pour les nuées de UAV, basé sur OpenAI Gym et PyBullet. Les utilisateurs définissent plusieurs agents drones avec des modèles cinématiques et dynamiques pour explorer des tâches coopératives telles que le vol en formation, le suivi de cibles et l’évitement d’obstacles. L’environnement supporte la configuration modulaire des tâches, une détection de collision réaliste et l’émulation des capteurs, tout en permettant des fonctions de récompense personnalisées et des politiques décentralisées. Les développeurs peuvent intégrer leurs propres algorithmes d'apprentissage par renforcement, évaluer les performances sous divers scénarios et visualiser en temps réel les trajectoires et métriques des agents. Son design open-source encourage la contribution communautaire, le rendant idéal pour la recherche, l'enseignement et le prototypage de solutions avancées de contrôle multi-agent.

NavGround Learning fournit une boîte à outils complète pour le développement et la benchmarking d'agents d'apprentissage par renforcement dans les tâches de navigation. Elle supporte la simulation multi-agent, la modélisation des collisions ainsi que des capteurs et actionneurs personnalisables. Les utilisateurs peuvent choisir parmi des modèles de politiques prédéfinis ou implémenter leurs propres architectures, s'entraîner avec des algorithmes RL de pointe et visualiser les métriques de performance. Son intégration avec OpenAI Gym et Stable Baselines3 facilite la gestion des expériences, tandis que ses outils de journalisation et de visualisation intégrés permettent une analyse approfondie du comportement des agents et de la dynamique d'apprentissage.