멀티 에이전트 로봇 시스템 프로젝트는 협력 로봇 팀 개발, 시뮬레이션 및 배포를 위한 모듈형 파이썬 플랫폼을 제공합니다. 핵심적으로 분산 제어 전략을 구현하여 로봇이 상태 정보를 공유하고 중앙 조율자 없이 공동으로 작업을 할당할 수 있게 합니다. 경로 계획, 충돌 방지, 환경 매핑 및 동적 작업 스케줄링을 위한 내장 모듈을 포함하고 있습니다. 개발자는 제공된 인터페이스를 확장하여 새로운 알고리즘을 통합하고, 구성 파일을 통해 통신 프로토콜을 조정하며, 시뮬레이션 환경에서 로봇 상호 작용을 시각화할 수 있습니다. ROS와 호환되며, 시뮬레이션에서 실제 하드웨어 배포로의 원활한 전환을 지원합니다. 이 프레임워크는 군집 행동, 협력적 탐사 및 창고 자동화 실험을 위한 재사용 가능한 구성 요소를 제공하여 연구를 가속화합니다.

RL Collision Avoidance는 다중 로봇 충돌 회피 정책을 개발, 훈련, 배포하기 위한 전체 파이프라인을 제공합니다. 강화 학습 알고리즘을 통해 충돌 없는 탐색을 학습하는 Gym 호환 시뮬레이션 시나리오 세트가 있으며, 환경 파라미터를 사용자 정의하고 GPU 가속을 활용하여 더 빠른 훈련이 가능하며, 학습된 정책을 내보낼 수 있습니다. 또한 ROS와 통합되어 실 환경 테스트가 가능하며, 즉시 평가할 수 있는 사전 학습된 모델도 지원하고, 에이전트의 궤적 및 성능 지표 시각화 도구를 제공합니다.

CASA는 Robot Operating System(ROS) 생태계 위에 구축된 모듈형 플러그 앤 플레이 자율성 프레임워크로 설계되었습니다. 각 로봇은 로컬 플래너와 행동 트리 노드를 실행하며, 공유 블랙보드에 세계 상태를 게시하여 분산된 아키텍처를 특징으로 합니다. 작업 할당은 로봇 능력과 가용성에 따라 미션을 할당하는 옥션 기반 알고리즘으로 처리됩니다. 통신 계층은 표준 ROS 메시지를 멀티로봇 네트워크를 통해 사용하여 에이전트들을 동기화합니다. 개발자는 미션 파라미터를 사용자 맞춤형으로 설정하고, 센서 드라이버를 통합하며, 행동 라이브러리를 확장할 수 있습니다. CASA는 시나리오 시뮬레이션, 실시간 모니터링 및 로깅 도구를 지원합니다. 확장 가능한 설계로 연구팀은 새로운 조정 알고리즘을 실험하고 무인 지상 차량부터 공중 드론까지 다양한 로봇 플랫폼에 원활하게 배포할 수 있습니다.

Duckietown은 저비용 하드웨어, 오픈 소스 소프트웨어 및 AI와 자율성을 배우기 위한 확장 가능한 생태계를 결합합니다. 교육을 목적으로 설계되었으며, 개별 학습 키트부터 포괄적인 교실 패키지까지 모든 것을 제공합니다. 주요 제품인 Duckiebot은 미니어처 도시 풍경 내에서 상호 작용하는 소형 모듈형 로봇으로, 실제 상황을 반영합니다. 이러한 실습 접근 방식은 로봇 공학 학습을 재미있게 만들 뿐만 아니라 깊은 통찰을 제공합니다.

멀티 에이전트 검사 시뮬레이션은 Unity 3D 환경 내에서 여러 자율 에이전트가 협력하여 검사 작업을 수행할 수 있도록 하는 포괄적 프레임워크를 제공합니다. 이 환경은 검사 대상, 조절 가능한 보상 함수, 에이전트 행동 매개변수와 함께 Unity ML-Agents와 통합됩니다. 연구자는 Python API를 통해 맞춤 환경 스크립트 작성, 에이전트 수 정의, 훈련 커리큘럼 설정이 가능하며, 병렬 훈련 세션, TensorBoard 로그 기록, 레이캐스트, 카메라 피드, 위치 데이터 등 맞춤 관측 기능도 지원합니다. 하이퍼파라미터와 환경 복잡도를 조절하여 커버리지, 효율성, 협력 지표에 대한 강화 학습 알고리즘의 벤치마킹도 가능합니다. 오픈소스 코드는 로봇 프로토타이핑, 협력 AI 연구, 다중 에이전트 시스템의 교육용 데모 확장에 적합합니다.

NavGround는 2D 환경에서 차동 구동 및 홀로노믹 로봇을 위한 반응형 모션 플래닝, 장애물 회피, 경로 생성을 제공하는 포괄적인 AI 기반 내비게이션 프레임워크입니다. 동적 맵 표현과 센서 융합을 통합하여 정적 및 이동하는 장애물을 감지하고, 속도 장애물 방법을 적용하여 충돌 없는 속도를 계산하며, 로봇의 운동학과 역학을 준수합니다. 경량의 C++ 라이브러리는 모듈형 API와 ROS 지원을 제공하여 SLAM 시스템, 경로 계획자, 제어 루프와 원활하게 통합할 수 있게 합니다. 실시간 성능과 즉석에서 적응하는 성능 덕분에 서비스 로봇, 자율 차량, 연구 프로토타입에 적합하며, 복잡하거나 역동적인 시나리오에서도 우수한 성능을 발휘합니다. 프레임워크의 맞춤형 비용 함수 및 확장 가능 아키텍처는 빠른 실험과 내비게이션 행동의 최적화를 용이하게 합니다.