BotPlayersは、AI駆動のゲームプレイエージェントの開発と展開を合理化する多用途のオープンソースフレームワークです。画面キャプチャ、ウェブAPI、またはカスタムシミュレーションインターフェースをサポートする柔軟な環境抽象化レイヤーを備え、さまざまなゲームと双方向に連携できます。組み込みの強化学習アルゴリズム、遺伝的アルゴリズム、ルールベースのヒューリスティックを含み、データ記録、モデルチェックポイント、パフォーマンス可視化のツールも提供します。モジュラーなプラグインシステムにより、センサー、アクション、AIポリシーをPythonまたはJavaでカスタマイズ可能です。YAMLベースの設定を利用した迅速なプロトタイピングや自動化されたトレーニング・評価パイプラインもあります。Windows、Linux、macOSでクロスプラットフォームに対応し、実験と知的ゲームエージェントの制作を促進します。

MARO（Multi-Agent Resource Optimization）は、サプライチェーン、ロジスティクス、リソース管理シナリオにおいてマルチエージェント強化学習エージェントの開発と評価をサポートするPythonベースのフレームワークです。インベントリ管理、トラックスケジューリング、クロスドッキング、コンテナレンタル等の環境テンプレートを含みます。MAROは統一されたエージェントAPI、実験記録用のビルトイントラッカー、大規模訓練のための並列シミュレーション機能、性能分析用の可視化ツールを提供します。モジュール式で拡張性があり、一般的なRLライブラリと連携可能で、再現性のある研究とAI駆動の最適化ソリューションの迅速なプロトタイピングを実現します。

ROSに基づくマルチエージェント捜索救出システムは、ROSを利用して複数の自律エージェントを展開し、協調した捜索と救出を行うロボティクスフレームワークです。各エージェントは搭載センサーとROSトピックを使用し、リアルタイムのマッピング、障害物回避、ターゲット検出を行います。中央コーディネーターがエージェントの状況や環境のフィードバックに基づいてタスクを動的に割り当てます。このシステムはGazeboまたは実機ロボットで動作し、研究者や開発者がマルチロボット協調、通信プロトコル、適応的ミッション計画を現実的な条件下でテスト・改善できます。

このオープンソースプロジェクトは、PyTorchとUnity ML-Agentsを基盤とした完全な多エージェント強化学習フレームワークを提供します。分散型DDPGアルゴリズム、環境ラッパー、訓練スクリプトを含みます。ユーザーはエージェントのポリシー、批評ネットワーク、リプレイバッファー、並列訓練ワーカーを設定できます。ロギングフックによりTensorBoardでの監視が可能で、モジュラーコードはカスタム報酬関数や環境パラメータをサポートします。リポジトリには協力ナビゲーションタスクを示すサンプルUnityシーンが含まれ、シミュレーション内での多エージェントシナリオの拡張やベンチマークに最適です。

multiagent_envsは、マルチエージェント強化学習の研究開発向けに設計されたモジュール式のPython環境群です。協調ナビゲーション、捕食者-獲物、社会的ジレンマ、競争アリーナなどのシナリオを含みます。各環境ではエージェント数や観測特徴、報酬関数、衝突ダイナミクスを設定可能です。フレームワークはStable BaselinesやRLlibなどの人気RLライブラリとシームレスに統合されており、ベクトル化された学習ループ、並列実行、ログ記録が容易です。既存シナリオの拡張や新規作成もAPIを通じて容易に行え、MADDPG、QMIX、PPOなどのアルゴリズムを用いた実験を一貫した再現性のある環境で加速します。

Multiagent_systemは、多エージェント環境の構築と管理のための包括的なツールキットを提供します。ユーザーはカスタムシミュレーションシナリオを定義し、エージェントの行動を指定し、DQN、PPO、MADDPGなどの事前実装されたアルゴリズムを利用できます。このフレームワークは同期式と非同期式の訓練をサポートし、エージェントは同時にまたは交代で相互作用します。組み込みの通信モジュールは、協力戦略のためのメッセージパッシングを促進します。YAMLファイルを通じて実験の構成が簡素化され、結果は自動的にCSVまたはTensorBoardに記録されます。視覚化スクリプトは、エージェントの軌跡、報酬の推移、通信パターンの解釈に役立ちます。研究と生産のワークフローに設計されており、Single-machineのプロトタイプからGPUクラスター上の分散トレーニングまでシームレスにスケールします。

SeeActは、観察されたシーンに基づいてサブゴールを生成する大規模言語モデルによる計画モジュールと、サブゴールを環境固有のアクションに翻訳する実行モジュールの2段階パイプラインで視覚と言語のエージェントを強化するように設計されています。認識バックボーンは、画像やシミュレーションからオブジェクトとシーンの特徴を抽出します。モジュール式のアーキテクチャにより、計画者や認識ネットワークの交換が容易になり、AI2-THOR、Habitat、およびカスタム環境での評価をサポートします。SeeActは、エンドツーエンドのタスク分解、グラウンディング、実行を提供することで、対話型体験AIの研究を促進します。

このリポジトリは、マルチエージェントシステムコンポーネントと分散AIコーディネーション技術の包括的なコレクションをまとめたものです。合意アルゴリズム、契約ネット交渉プロトコル、オークション型タスク割り当て、連合形成戦略、インタエージェント通信フレームワークを実装しています。ユーザーは、内蔵のシミュレーション環境を活用して、様々なネットワークトポロジー、遅延シナリオ、故障モード下でのエージェントの挙動をモデル化・テスト可能です。モジュール化設計により、ロボット群、IoTデバイスコラボレーション、スマートグリッド、分散意思決定システムなどのアプリケーションにおいて、開発者や研究者が個々のコーディネーションモジュールを統合、拡張、カスタマイズできます。

Applied Intuitionは、自律車両産業向けにカスタマイズされたソフトウェアソリューションを提供することに特化しています。彼らのプラットフォームは、開発者がリアルなシミュレーションを作成できるようにし、さまざまな仮想環境でAI運転システムの広範なテストと検証を可能にします。これにより、実際のアプリケーションでの安全性と効率性が保証されます。ツールはまた、既存のワークフローとシームレスに統合され、チームが開発から展開に移行しやすくします。

Immersim AIは、物語の創造性を解放するために設計された最先端のロールプレイプラットフォームです。ユーザーは無限の宇宙やシナリオを作成し、動的な物語の中でキャラクターと関わります。物語を語る人、ゲーマー、あるいはただ没入型体験を愛する人であれば、Immersim AIはユーザーの入力によって進化するインタラクティブな世界で物語を形作ることを可能にし、その体験を豊かにします。

multi_agent_celarは、模擬環境内で複数のインテリジェントエージェント間の出現言語によるコミュニケーションを可能にするモジュラーAIプラットフォームとして設計されています。ユーザーはポリシーファイルを通じてエージェントの挙動を定義し、環境パラメータを設定し、エージェントが自らの通信プロトコルを進化させて協力タスクを解決する協調トレーニングを開始できます。このフレームワークには、評価スクリプト、可視化ツール、およびスケーラブルな実験のサポートが含まれており、多エージェントコラボレーション、出現言語、意思決定プロセスに関する研究に最適です。

Open ACNは、分散型のマルチエージェントシステムを構築するために設計された堅牢なAIプラットフォームおよびフレームワークソリューションです。エージェントの協力を促進するための合意プロトコルのスイートを提供し、信頼性の高い意思決定を可能にします。フレームワークにはモジュール式の通信層、カスタマイズ可能な戦略プラグイン、エンドツーエンドのテストを行うためのビルトインシミュレーション環境が含まれます。開発者はエージェントの動作を定義し、Linux、macOS、Windows、またはDocker上に展開でき、リアルタイムのログ記録とモニタリングツールを活用できます。拡張可能なAPIや機械学習モデルとのシームレスな統合により、Open ACNは複雑なオーケストレーションタスクを簡素化し、ロボティクス、サプライチェーン自動化、分散型金融、IoTのアプリケーションに適した相互運用性の高い堅牢な自律ネットワークを促進します。