La simulation d'inspection multi-agent offre un cadre complet pour simuler et entraîner plusieurs agents autonomes à effectuer des tâches d'inspection en coopération dans des environnements Unity 3D. Elle s'intègre avec la boîte à outils Unity ML-Agents et propose des scènes configurables avec des cibles d'inspection, des fonctions de récompense ajustables et des paramètres de comportement des agents. Les chercheurs peuvent script des environnements personnalisés, définir le nombre d'agents et établir des curricula de formation via des APIs Python. Le paquet supporte les sessions d'entraînement parallèles, le journal TensorBoard et des observations personnalisables incluant des raycasts, des flux de caméras et des données de position. En ajustant les hyperparamètres et la complexité de l’environnement, les utilisateurs peuvent benchmarker des algorithmes d'apprentissage par renforcement sur des métriques de couverture, d'efficacité et de coordination. Le code open-source encourage l'extension pour la prototypie robotique, la recherche en IA coopérative et les démonstrations éducatives dans les systèmes multi-agents.

DelphiMistralAI est une boîte à outils Python open-source qui intègre le puissant modèle LLM Mistral-7B avec le modèle de raisonnement moral Delphi. Elle offre une interface en ligne de commande et une API RESTful pour délivrer des jugements éthiques argumentés sur des scénarios fournis par l’utilisateur. Les utilisateurs peuvent déployer l’agent localement, personnaliser les critères de jugement, et inspecter les justifications générées pour chaque décision morale. Cet outil vise à accélérer la recherche en éthique de l’IA, les démonstrations éducatives, ainsi que les systèmes de prise de décision sûrs et explicables.

AIpacman est un projet Python open-source simulant l'environnement de jeu Pac-Man pour des expériences en IA. Les utilisateurs peuvent choisir parmi des agents intégrés ou en créer de nouveaux avec des algorithmes de recherche comme DFS, BFS, A*, UCS ; des méthodes adverses telles que Minimax avec élagage Alpha-Beta et Expectimax ; ou des techniques d'apprentissage par renforcement comme Q-Learning. Le framework offre des labyrinthes configurables, un journal de performance, une visualisation des décisions des agents, et une interface en ligne de commande pour jouer des matchs et comparer les scores. Il est conçu pour les cours, benchmarks de recherche et projets amateurs en IA et développement de jeux.