A Immersim AI é uma plataforma de RPG de ponta projetada para liberar a criatividade na narrativa. Os usuários podem criar e explorar universos e cenários infinitos, interagindo com personagens em narrativas dinâmicas. Se você é um contador de histórias, um jogador ou apenas alguém que ama experiências imersivas, a Immersim AI permite que você molde a narrativa enquanto participa de um mundo interativo que evolui com a entrada do usuário, enriquecendo assim a experiência.

multi_agent_celar é projetado como uma plataforma de IA modular que permite comunicação por linguagem emergente entre múltiplos agentes inteligentes em ambientes simulados. Os usuários podem definir comportamentos de agentes via arquivos de política, configurar parâmetros de ambiente e lançar sessões de treinamento coordenadas onde os agentes evoluem seus próprios protocolos de comunicação para resolver tarefas cooperativas. O framework inclui scripts de avaliação, ferramentas de visualização e suporte para experimentos escaláveis, tornando-o ideal para pesquisas sobre colaboração entre múltiplos agentes, linguagem emergente e processos de tomada de decisão.

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.

Este projeto de código aberto oferece uma estrutura completa de aprendizado por reforço multiagente construída em PyTorch e Unity ML-Agents. Inclui algoritmos DDPG descentralizados, wrappers de ambiente e roteiros de treinamento. Os usuários podem configurar políticas de agentes, redes críticas, buffers de replay e trabalhadores de treinamento paralelos. Ganchos de registro permitem monitoramento no TensorBoard, enquanto um código modular suporta funções de recompensa e parâmetros de ambiente personalizados. O repositório inclui cenas Unity de exemplo demonstrando tarefas colaborativas de navegação, tornando-se ideal para estender e testar cenários multiagente em simulações.