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 est un cadre de navigation complet piloté par l'IA qui fournit une planification de mouvement réactive, une évitement d'obstacles et une génération de trajectoires pour des robots à conduite différentielle et holonomiques en environnements 2D. Il intègre des représentations de cartes dynamiques et la fusion de capteurs pour détecter des obstacles statiques et mobiles, en appliquant des méthodes d'obstacles de vitesse pour calculer des vitesses sans collision respectant la cinématique et la dynamique du robot. La bibliothèque C++ légère offre une API modulaire avec support ROS, permettant une intégration transparente avec des systèmes SLAM, des planificateurs de trajectoires et des boucles de contrôle. La performance en temps réel et l'adaptabilité en ligne font de NavGround un outil adapté aux robots de service, véhicules autonomes et prototypes de recherche opérant dans des scénarios encombrés ou dynamiques. La structure de l'architecture extensible et les fonctions de coût personnalisables facilitent l'expérimentation rapide et l'optimisation des comportements de navigation.

Le système d'IA de Waymo alimente ses véhicules autonomes en utilisant une combinaison de capteurs, d'algorithmes avancés et d'apprentissage automatique. La technologie navigue de manière autonome dans des environnements urbains complexes, évitant les obstacles et respectant les lois sur la circulation sans aucune intervention humaine. L'objectif de Waymo est de créer des routes plus sûres et de fournir des options de transport pratiques pour tout le monde. La plateforme utilise des données en temps réel de sa flotte pour améliorer continuellement les performances de conduite et la sécurité.

ePH-MAPF fournit un pipeline efficace pour calculer des chemins sans collision pour des dizaines à des centaines d'agents sur des cartes basées sur une grille. Il utilise des heuristiques prioritaires, des techniques de recherche incrémentielle et des métriques de coût personnalisables (Manhattan, Euclidéenne) pour équilibrer rapidité et qualité de la solution. Les utilisateurs peuvent choisir parmi différentes fonctions heuristiques, intégrer la bibliothèque dans des systèmes robotiques Python, et benchmarker la performance sur des scénarios MAPF standards. Le code est modulaire et bien documenté, permettant aux chercheurs et développeurs de l’étendre pour des obstacles dynamiques ou des environnements spécialisés.

Le projet Multi Agent Robotic System offre une plateforme modulaire basée sur Python pour développer, simuler et déployer des équipes robotiques coopératives. Il implémente principalement des stratégies de contrôle décentralisé permettant aux robots de partager des informations d'état et de répartir collaborativement les tâches sans coordinateur central. Le système comprend des modules intégrés pour la planification de trajectoires, la prévention des collisions, la cartographie de l'environnement et la planification dynamique des tâches. Les développeurs peuvent intégrer de nouveaux algorithmes en étendant les interfaces fournies, ajuster les protocoles de communication via des fichiers de configuration et visualiser les interactions entre robots dans des environnements simulés. Compatible avec ROS, il supporte la transition transparente de la simulation au matériel réel. Ce cadre accélère la recherche en fournissant des composants réutilisables pour le comportement en essaim, l'exploration collaborative et les expériences d'automatisation d'entrepôt.