BotPlayers est un framework polyvalent open-source conçu pour simplifier le développement et le déploiement d'agents de jeu pilotés par IA. Il comprend une couche d'abstraction d'environnement flexible supportant le screen scraping, les API web ou des interfaces de simulation personnalisées, permettant aux bots d'interagir avec divers jeux. Le framework inclut des algorithmes d'apprentissage par renforcement intégrés, des algorithmes génétiques et des heuristiques basées sur des règles, ainsi que des outils pour la journalisation des données, le pointage des modèles et la visualisation des performances. Son système de plugins modulaire permet aux développeurs de personnaliser capteurs, actions et politiques IA en Python ou Java. BotPlayers propose également une configuration YAML pour un prototypage rapide et des pipelines automatisés pour l'entraînement et l'évaluation. Supportant plusieurs plates-formes comme Windows, Linux et macOS, ce framework accélère la recherche et la production d'agents de jeu intelligents.

MARO (Multi-Agent Resource Optimization) est un cadre basé sur Python conçu pour soutenir le développement et l'évaluation d'agents d'apprentissage par renforcement multi-agent dans des scénarios de chaîne d'approvisionnement, de logistique et de gestion des ressources. Il inclut des modèles pour la gestion des inventaires, la planification des camions, le cross-docking, la location de conteneurs, et plus encore. MARO offre une API d'agent unifiée, des trackers intégrés pour la journalisation des expériences, des capacités de simulation parallèle pour des entraînements à grande échelle et des outils de visualisation pour l'analyse de la performance. La plateforme est modulaire, extensible et s'intègre aux bibliothèques RL populaires, permettant une recherche reproductible et une prototypage rapide de solutions d'optimisation pilotées par l'IA.

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.

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.

Multiagent_system offre une boîte à outils complète pour construire et gérer des environnements multi-agents. Les utilisateurs peuvent définir des scénarios de simulation personnalisés, spécifier les comportements des agents, et utiliser des algorithmes pré-implémentés tels que DQN, PPO et MADDPG. Le framework supporte un entraînement synchrone et asynchrone, permettant aux agents d'interagir simultanément ou en mode tour par tour. Les modules de communication intégrés facilitent l'échange de messages entre agents pour des stratégies coopératives. La configuration des expériences est simplifiée via des fichiers YAML, et les résultats sont automatiquement enregistrés au format CSV ou dans TensorBoard. Les scripts de visualisation aident à interpréter les trajectoires des agents, l'évolution des récompenses et les patterns de communication. Conçu pour la recherche et la production, Multiagent_system évolue sans effort de prototypes sur machine unique à un entraînement distribué sur des clusters GPU.

SeeAct est conçu pour donner aux agents vision-langage une pipeline en deux étapes : un module de planification alimenté par de grands modèles de langage génère des sous-objectifs basés sur des scènes observées, et un module d'exécution traduit ces sous-objectifs en actions spécifiques à l'environnement. Un backbone de perception extrait des caractéristiques d'objets et de scènes à partir d'images ou de simulations. L'architecture modulaire permet de remplacer facilement les planificateurs ou réseaux de perception et supporte l'évaluation sur AI2-THOR, Habitat et d'autres environnements personnalisés. SeeAct accélère la recherche sur l'IA incarnée interactive en fournissant une décomposition, une mise en contexte et une exécution de tâches de bout en bout.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

Applied Intuition se spécialise dans la fourniture de solutions logicielles adaptées à l'industrie des véhicules autonomes. Leur plateforme permet aux développeurs de créer des simulations réalistes, permettant des tests approfondis et la validation des systèmes de conduite de l'IA dans une variété d'environnements virtuels. Cela garantit la sécurité et l'efficacité dans les applications du monde réel. Les outils s'intègrent également parfaitement aux flux de travail existants, facilitant la transition des équipes de la phase de développement à celle du déploiement.

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.

Open ACN est une solution robuste de plateformes et frameworks IA conçue pour construire des systèmes multi-agents décentralisés. Il propose une suite de protocoles de consensus adaptés à la coopération des agents, garantissant une prise de décision fiable à travers des nœuds géodistribués. Le framework inclut des couches de communication modulaires, des plugins de stratégie personnalisables et un environnement de simulation intégré pour des tests de bout en bout. Les développeurs peuvent définir les comportements des agents, déployer sur Linux, macOS, Windows ou Docker, et utiliser des outils de journalisation et de surveillance en temps réel. En fournissant des API extensibles et une intégration transparente avec des modèles d'apprentissage automatique existants, Open ACN simplifie les tâches complexes d'orchestration, favorise des réseaux autonomes interopérables et résilients adaptés aux applications en robotique, automatisation de la chaîne d'approvisionnement, finance décentralisée et IoT.