BotPlayers는 AI 기반 게임 플레이 에이전트의 개발과 배포를 간소화하는 데 목적이 있는 다목적 오픈 소스 프레임워크입니다. 화면 캡처, 웹 API 또는 맞춤 시뮬레이션 인터페이스를 지원하는 유연한 환경 추상화 계층이 특징이며, 봇이 다양한 게임과 상호작용할 수 있게 합니다. 내장 강화 학습 알고리즘, 유전 알고리즘, 규칙 기반 휴리스틱과 데이터 로깅, 모델 체크포인팅, 성능 시각화 도구를 포함합니다. 모듈형 플러그인 시스템을 통해 개발자는 센서, 행동, AI 정책을 Python 또는 Java로 맞춤화할 수 있습니다. YAML 기반 구성으로 빠른 프로토타이핑과 훈련, 평가를 위한 자동화 파이프라인도 제공합니다. Windows, Linux, macOS에서 지원되어 실험과 지능형 게임 에이전트의 생산을 가속화합니다.

MARO(다중 에이전트 자원 최적화)는 공급망, 물류, 자원 관리를 위한 다중 에이전트 강화 학습 에이전트의 개발과 평가를 지원하는 파이썬 기반 프레임워크입니다. 재고 관리, 트럭 예약, 크로스 도킹, 컨테이너 임대 등 환경 템플릿을 포함하고 있습니다. 통합된 에이전트 API, 내장된 실험 추적기, 대규모 훈련을 위한 병렬 시뮬레이션 기능, 성능 분석을 위한 시각화 도구를 제공합니다. 모듈식으로 설계되어 확장 가능하며, 인기 있는 RL 라이브러리와 통합되어 재현 가능한 연구와 신속한 AI 최적화 프로토타이핑을 가능하게 합니다.

ROS 기반 다중 에이전트 수색 및 구조 시스템은 ROS를 활용하여 여러 자율 에이전트를 배포하여 조정된 수색 및 구조 작업을 수행하는 로봇 공학 프레임워크입니다. 각 에이전트는 온보드 센서와 ROS 토픽을 이용하여 실시간 맵핑, 장애물 회피, 목표 탐지를 수행합니다. 중앙 조정자는 에이전트 상태와 환경 피드백에 따라 동적으로 작업을 할당합니다. 이 시스템은 Gazebo 또는 실제 로봇에서 실행 가능하며, 연구원과 개발자가 다중 로봇 협력, 통신 프로토콜 및 적응형 미션 계획을 현실 조건에서 테스트하고 개선할 수 있습니다.

이 오픈소스 프로젝트는 PyTorch와 Unity ML-Agents를 기반으로 구축된 완전한 다중 에이전트 강화 학습 프레임워크를 제공합니다. 분산 DDPG 알고리즘, 환경 래퍼, 훈련 스크립트를 포함하며, 사용자들은 에이전트 정책, 비평 네트워크, 재현 버퍼, 병렬 훈련 워커를 구성할 수 있습니다. 로깅 후크는 TensorBoard 모니터링을 가능하게 하며, 모듈화된 코드는 사용자 지정 보상 함수와 환경 매개변수를 지원합니다. 저장된 Unity 예제 씬은 협력 탐색 작업을 시연하며, 시뮬레이션에서 다중 에이전트 시나리오 확장과 벤치마킹에 이상적입니다.

multiagent_envs는 멀티에이전트 강화학습 연구 및 개발을 위해 맞춤형 모듈형 파이썬 기반 환경 세트를 제공하며, 협력 네비게이션, 포식자-피해자, 사회적 딜레마, 경쟁 무대 등의 시나리오를 포함합니다. 각 환경은 에이전트 수, 관찰 특징, 보상 함수, 충돌 역학을 정의할 수 있습니다. 이 프레임워크는 Stable Baselines, RLlib과 같은 인기 RL 라이브러리와 원활하게 통합되어 벡터화 학습 루프, 병렬 실행, 간편한 로깅을 지원합니다. 사용자들은 간단한 API를 따라 기존 시나리오를 확장하거나 새로 만들어 MADDPG, QMIX, PPO와 같은 알고리즘을 일관되고 재현 가능한 환경에서 실험할 수 있습니다.

Multiagent_system은 다중 에이전트 환경을 구축하고 관리하기 위한 종합 도구 키트를 제공합니다. 사용자는 맞춤형 시뮬레이션 시나리오를 정의하고, 에이전트 행동을 지정하며, DQN, PPO, MADDPG와 같은 사전 구현된 알고리즘을 활용할 수 있습니다. 이 프레임워크는 동기식 및 비동기식 훈련을 지원하여 에이전트가 병행 또는 차례로 상호작용할 수 있게 합니다. 내장된 통신 모듈은 협력 전략을 위한 메시지 전달을 용이하게 하며, YAML 파일로 실험 구성을 간소화하며, 결과는 CSV 또는 TensorBoard에 자동 기록됩니다. 시각화 스크립트는 에이전트 궤적, 보상 변화, 통신 패턴의 해석을 돕습니다. 연구와 프로덕션 워크플로우를 위해 설계된 Multiagent_system은 싱글 머신 프로토타입부터 GPU 클러스터의 분산 훈련까지 원활하게 확장됩니다.

SeeAct는 관찰된 장면에 기반하여 하위 목표를 생성하는 대형 언어 모델 기반 계획 모듈과, 하위 목표를 환경별 행동으로 번역하는 실행 모듈의 이단계 파이프라인으로 비전-언어 에이전트를 강화하도록 설계되었습니다. 인지 백본은 이미지 또는 시뮬레이션에서 객체 및 장면 특징을 추출합니다. 모듈식 아키텍처는 계획자 또는 인지 네트워크의 교체를 쉽게 하며, AI2-THOR, Habitat 및 커스텀 환경에서 평가를 지원합니다. SeeAct는 엔드 투 엔드 작업 분해, 그라운딩, 실행을 제공하여 상호작용하는 내장형 AI 연구를 가속화합니다.

이 저장소는 포괄적인 다중 에이전트 시스템 구성 요소와 분산 AI 조정 기술의 모음을 집약합니다. 합의 알고리즘, 계약 네트 협상 프로토콜, 경매 기반 작업 할당, 연합 형성 전략 및 에이전트 간 통신 프레임워크를 구현하고 있습니다. 사용자들은 내장된 시뮬레이션 환경을 활용하여 다양한 네트워크 토폴로지, 지연 시나리오, 장애 모드에서 에이전트 행동을 모델링하고 테스트할 수 있습니다. 모듈식 설계 덕분에 개발자와 연구원들은 특정 조정 모듈을 통합하거나 확장하거나 맞춤화하여 로봇 스웜, IoT 기기 협력, 스마트 그리드 및 분산 의사 결정 시스템 등에 적용할 수 있습니다.

Applied Intuition은 자율주행차 산업에 맞춤화된 소프트웨어 솔루션 제공에 전문화되어 있습니다. 그들의 플랫폼은 개발자들이 현실적인 시뮬레이션을 생성할 수 있게 하여, 다양한 가상 환경에서 AI 운전 시스템을 광범위하게 테스트하고 검증할 수 있게 합니다. 이는 실제 응용 프로그램에서 안전성과 효율성을 보장합니다. 또한 도구는 기존 워크플로우와 원활하게 통합되어 팀들이 개발에서 배포로 전환하기 쉽게 만들습니다.

Immersim AI는 스토리텔링의 창의력을 발산하도록 설계된 최첨단 롤플레잉 플랫폼입니다. 사용자는 무한 우주와 시나리오를 생성하고 탐색하며, 역동적인 내러티브에서 캐릭터와 상호작용할 수 있습니다. 당신이 이야기꾼, 게이머, 또는 몰입형 경험을 사랑하는 사람이라면, Immersim AI는 사용자 입력에 따라 진화하는 상호작용 세계에 참여하면서 내러티브를 형성할 수 있도록 합니다.

multi_agent_celar는 시뮬레이션 환경에서 여러 지능형 에이전트 간의 출현 언어 통신을 가능하게 하는 모듈식 AI 플랫폼입니다. 사용자는 정책 파일을 통해 에이전트 행동을 정의하고, 환경 매개변수를 구성하며, 에이전트가 협력 과제를 해결하기 위해 자체 통신 프로토콜을 발전시키는 조정된 훈련 세션을 실행할 수 있습니다. 이 프레임워크는 평가 스크립트, 시각화 도구 및 확장 가능한 실험 지원을 포함하여, 다중 에이전트 협업, 출현 언어, 의사 결정 과정에 관한 연구에 이상적입니다.

Open ACN은 분산형 멀티에이전트 시스템 구축을 위해 설계된 견고한 AI 플랫폼 및 프레임워크 솔루션입니다. 에이전트 협력을 위한 컨센서스 프로토콜 세트를 제공하며, 지리적으로 분산된 노드 간 신뢰성 있는 의사 결정을 보장합니다. 프레임워크에는 모듈형 통신 계층, 사용자 정의 가능한 전략 플러그인, 종단 간 테스트를 위한 내장 시뮬레이션 환경이 포함되어 있습니다. 개발자는 에이전트 행동을 정의하고 Linux, macOS, Windows 또는 Docker에 배포할 수 있으며, 실시간 로그 기록과 모니터링 도구를 활용할 수 있습니다. 확장 가능한 API와 기존 머신러닝 모델과의 원활한 통합을 통해, Open ACN은 복잡한 오케스트레이션 작업을 간소화하고, 로보틱스, 공급망 자동화, 분산 금융, IoT 분야에 적합한 상호 운용 가능하고 견고한 자율 네트워크를 촉진합니다.