Multi-Agent-AI-Models-and-Path-Planning은 고전적 및 현대적 경로 계획 방법과 결합된 다중 에이전트 시스템 개발 및 테스트를 위한 종합 도구 모음을 제공합니다. A*, 다익스트라, RRT, 잠재장 필드와 같은 알고리즘 구현과 사용자 정의 가능한 에이전트 행동 모델을 포함합니다. 프레임워크는 시뮬레이션 및 시각화 모듈을 갖추고 있어 시나리오 생성, 실시간 모니터링 및 성능 분석이 원활하게 이루어집니다. 확장성을 고려하여 설계되어 있으며, 새로운 계획 알고리즘이나 에이전트 의사결정 모델을 플러그인하여 복잡한 환경에서의 협력 내비게이션 및 작업 할당을 평가할 수 있습니다.

CogAgent는 AI 에이전트 개발을 간소화하도록 설계된 연구 지향의 오픈 소스 Python 라이브러리입니다. 메모리 관리, 계획 및 추론, 도구 및 API 통합, 사고 체인 실행을 위한 핵심 모듈을 제공합니다. 높은 모듈화 구조를 통해 사용자 정의 도구, 메모리 저장소 및 에이전트 정책을 정의하여 대화형 챗봇, 자율 작업 계획자, 워크플로 자동화 스크립트를 만들 수 있습니다. CogAgent는 OpenAI GPT, Meta LLaMA 등 인기 있는 LLM과의 통합을 지원하여 연구자와 개발자가 다양한 실제 애플리케이션을 위한 지능형 에이전트 실험, 확장 및 확장할 수 있게 합니다.

ePH-MAPF는 격자 기반 맵에서 수십에서 수백 개의 에이전트에 대해 충돌 없는 경로 계산을 위한 효율적인 파이프라인을 제공합니다. 우선순위 휴리스틱, 증분 검색 기법 및 사용자 정의 비용 지표(맨하탄, 유클리드)를 사용하여 속도와 해결책 품질을 균형 있게 조절합니다. 사용자들은 다양한 휴리스틱 기능을 선택하고, 라이브러리를 Python 기반 로보틱스 시스템에 통합하며, 표준 MAPF 시나리오에서 성능을 벤치마킹할 수 있습니다. 모듈식이고 잘 문서화된 코드베이스로, 연구자와 개발자가 동적 장애물 또는 특수 환경에 맞게 확장할 수 있습니다.

Java Action Linearprogram 모듈은 LightJason 프레임워크에 특화된 액션을 제공하여 에이전트가 선형 최적화 작업을 모델링하고 해결할 수 있게 합니다. 사용자들은 목표 계수, 등호 및 부등식 제약 조건을 구성하고, 해결 방법을 선택하며, 에이전트의 추론 주기 내에서 해결기를 실행할 수 있습니다. 실행 후, 액션은 최적 변수 값과 목표 점수를 반환하며, 에이전트는 이를 사용해 이후 계획 또는 실행에 활용할 수 있습니다. 이 플러그앤플레이 구성요소는 문제 정의를 Java 인터페이스를 통해 전면 제어하면서 해결기 복잡성을 숨깁니다.