CASA é projetada como uma estrutura de autonomia modular, plug-and-play, construída no ecossistema Robot Operating System (ROS). Ela apresenta uma arquitetura descentralizada onde cada robô executa planejadores locais e nós de árvores de comportamento, publicando em um quadro-negro compartilhado para atualizações do estado do mundo. A alocação de tarefas é gerenciada por algoritmos baseados em leilões que atribuem missões com base nas capacidades e disponibilidade do robô. A camada de comunicação usa mensagens padrão ROS sobre redes multirobot para sincronizar os agentes. Desenvolvedores podem personalizar parâmetros de missão, integrar controladores de sensores e estender bibliotecas de comportamento. CASA suporta simulação de cenários, monitoramento em tempo real e ferramentas de registro. Seu design extensível permite que equipes de pesquisa experimentem com algoritmos de coordenação inovadores e implantem facilmente em diversas plataformas robóticas, de veículos terrestres não tripulados a drones aéreos.

AgentRpi transforma um Raspberry Pi em um hub de agentes de IA embarcados ao coordenar modelos de linguagem juntamente com interfaces de hardware físico. Combinando entradas de sensores (temperatura, movimento), feeds de câmeras e áudio de microfone, processa informações contextuais através de LLMs configurados (OpenAI GPT, variantes Llama locais) para planejar e executar ações de forma autônoma. Os usuários definem comportamentos usando configurações YAML ou scripts em Python, permitindo tarefas como disparar alertas, ajustar pinos GPIO, capturar imagens ou responder a comandos de voz. Sua arquitetura baseada em plugins permite integrações de APIs, adição de habilidades customizadas e suporte para implantação via Docker. Ideal para ambientes de baixo consumo e privacidade sensível, o AgentRpi capacita desenvolvedores a prototipar cenários de automação inteligente sem depender exclusivamente de serviços na nuvem.

A AutoX se especializa no desenvolvimento de sistemas de IA para veículos autônomos, incluindo capacidades de percepção e tomada de decisão em tempo real. Ela integra algoritmos avançados para interpretar dados de vários sensores, permitindo que o veículo navegue em ambientes complexos. A AutoX também enfatiza recursos de segurança, garantindo que o sistema autônomo possa tomar decisões informadas enquanto cumpre as leis e regulamentos de trânsito. O objetivo é aprimorar a experiência geral de condução, oferecendo soluções fluidas, confiáveis e amigáveis para passageiros e operadores de frotas.

O BDI Embutido fornece um motor completo do ciclo de vida BDI: modela as crenças de um agente sobre seu ambiente, gerencia desejos ou metas em evolução, seleciona intenções de uma biblioteca de planos e executa comportamentos em tempo real. O framework inclui módulos para armazenamento de base de crenças, definição de biblioteca de planos, acionamento de eventos e controle de concorrência ajustado para microcontroladores com memória limitada. Com uma API simples, os desenvolvedores podem anotar crenças, especificar desejos e implementar planos no código. Seu escalonador gerencia a execução de intenções com prioridade e integra interfaces de hardware para sensores, atuadores e comunicação de rede, tornando-o ideal para dispositivos IoT autônomos, robôs móveis e controladores industriais.

O Agente IA Ida utiliza algoritmos de aprendizado de máquina e análise de dados para fornecer insights acionáveis para operações de perfuração. Ao processar grandes quantidades de dados de várias fontes, como sensores e relatórios de campo, a Ida identifica padrões, otimiza parâmetros de perfuração e prevê falhas de equipamentos. Isso permite que as equipes tomem decisões baseadas em dados que melhoram a eficiência, reduzem custos e aumentam a segurança no local.

O Agente de IA da Luminar aproveita a tecnologia lidar avançada e o aprendizado de máquina para melhorar a percepção do veículo, identificar obstáculos com precisão e melhorar a tomada de decisão para uma condução autônoma mais segura. Ele desempenha um papel crucial na integração de sensores para fornecer processamento de dados em tempo real, garantindo que os veículos possam navegar de forma eficiente em ambientes complexos. Essa tecnologia permite que os fabricantes implantem sistemas autônomos que atendem às normas de segurança da indústria, otimizando simultaneamente o desempenho.

O sistema de busca e resgate baseado em múltiplos agentes no ROS é uma estrutura de robótica que utiliza o ROS para implantar múltiplos agentes autônomos para operações coordenadas de busca e resgate. Cada agente utiliza sensores a bordo e tópicos ROS para mapeamento em tempo real, evitação de obstáculos e detecção de alvos. Um coordenador central atribui tarefas de forma dinâmica com base no andamento do agente e no feedback do ambiente. O sistema pode ser executado no Gazebo ou em robôs reais, permitindo que pesquisadores e desenvolvedores testem e aprimorem a cooperação entre múltiplos robôs, protocolos de comunicação e planejamento de missão adaptativo sob condições realistas.

multiagent-golang fornece uma abordagem estruturada para construir sistemas multiagentes em Go. Introduz uma abstração de Agente onde cada agente pode ser equipado com vários sensores para perceber seu ambiente e atuadores para agir. Os agentes executam de forma concorrente usando goroutines e comunicam-se por canais de mensagem dedicados. O framework também inclui uma camada de simulação de ambiente para lidar com eventos, gerenciar o ciclo de vida do agente e rastrear mudanças de estado. Desenvolvedores podem facilmente estender ou personalizar comportamentos de agentes, configurar parâmetros de simulação e integrar módulos adicionais para registro ou análise. Isso agiliza a criação de simulações escaláveis e concorrentes para pesquisa e prototipagem.

RoboCup Rescue Agent Simulation é uma estrutura de código aberto que modela ambientes urbanos de desastres onde múltiplos agentes controlados por IA colaboram para localizar e resgatar vítimas. Oferece interfaces para navegação, mapeamento, comunicação e integração de sensores. Os usuários podem criar estratégias personalizadas, executar experimentos em lote e visualizar métricas de desempenho de agentes. A plataforma suporta configuração de cenários, registro de logs e análise de resultados para acelerar pesquisas em sistemas multiagentes e algoritmos de resposta a desastres.