jason-RL adiciona uma camada de aprendizagem por reforço ao framework de múltiplos agentes Jason, permitindo que agentes AgentSpeak BDI aprendam políticas de seleção de ações via feedback de recompensa. Implementa algoritmos Q-learning e SARSA, suporta a configuração de parâmetros de aprendizado (taxa de aprendizado, fator de desconto, estratégia de exploração) e registra métricas de treinamento. Definindo funções de recompensa nos planos dos agentes e executando simulações, os desenvolvedores podem observar os agentes melhorarem sua tomada de decisão ao longo do tempo, adaptando-se a ambientes em mudança sem programação manual de políticas.

MARFT é uma biblioteca baseada em Python para LLMs, permitindo experimentos reprodutíveis e prototipagem rápida de sistemas de IA colaborativos.

MineLand fornece um ambiente de sandbox 3D flexível inspirado no Minecraft para treinar agentes de reforço de aprendizado. Possui APIs compatíveis com Gym para integração perfeita com bibliotecas RL existentes, como Stable Baselines, RLlib e implementações personalizadas. Os usuários terão acesso a uma biblioteca de tarefas, incluindo coleta de recursos, navegação e desafios de construção, cada uma com dificuldade e estruturas de recompensa configuráveis. Renderização em tempo real, cenários multi-agentes e modos sem cabeça permitem treinamento e benchmarking escaláveis. Desenvolvedores podem criar novos mapas, definir funções de recompensa personalizadas e plugins adicionais de sensores ou controles. O código aberto do MineLand promove pesquisa reprodutível, desenvolvimento colaborativo e prototipagem rápida de agentes de IA em mundos virtuais complexos.

mini-AlphaStar revela a arquitetura complexa do AlphaStar ao fornecer uma estrutura acadêmica, de código aberto, em PyTorch para desenvolvimento de IA em StarCraft II. Inclui codificadores de características espaciais para entradas de tela e minimapa, processamento de características não espaciais, módulos de memória LSTM e redes separadas de política e valor para seleção de ações e avaliação de estados. Utiliza aprendizagem por imitação para bootstrap e reforço com autojogo para ajuste fino, suportando wrappers de ambiente compatíveis com StarCraft II via pysc2, registro via TensorBoard e hiperparâmetros configuráveis. Pesquisadores e estudantes podem gerar conjuntos de dados de jogos humanos, treinar modelos em cenários personalizados, avaliar o desempenho do agente e visualizar curvas de aprendizado. A estrutura modular permite experimentação fácil com variantes de rede, cronogramas de treinamento e configurações multiagentes. Destinado à educação e prototipagem, não para implantação em produção.

A Simulação de Inspeção Multi-Agente fornece uma estrutura abrangente para simular e treinar múltiplos agentes autônomos para realizar tarefas de inspeção de forma cooperativa dentro de ambientes Unity 3D. Integra-se com a ferramenta Unity ML-Agents, oferecendo cenas configuráveis com alvos de inspeção, funções de recompensa ajustáveis e parâmetros de comportamento do agente. Pesquisadores podem criar ambientes personalizados, definir o número de agentes e configurar currículos de treinamento via APIs Python. O pacote suporta sessões de treinamento paralelas, registro no TensorBoard e observações personalizáveis incluindo raycasts, feeds de câmeras e dados de posição. Ajustando hiperparâmetros e a complexidade do ambiente, usuários podem criar benchmarks de algoritmos de aprendizado por reforço em cobertura, eficiência e métricas de coordenação. O código-fonte open-source incentiva extensões para prototipagem robótica, pesquisa em IA cooperativa e demonstrações educativas em sistemas multiagentes.

O Monitoramento Multi-Agente oferece uma estrutura de simulação flexível onde vários agentes de IA atuam como predadores ou vagabundos em um mundo de grade discreta. Os usuários podem configurar parâmetros do ambiente como dimensões da grade, número de agentes, raios de detecção e estruturas de recompensa. O repositório inclui classes Python para comportamento de agentes, scripts de geração de cenários, visualização embutida via matplotlib e integração perfeita com bibliotecas populares de aprendizado por reforço. Isso facilita benchmarks de coordenação multiagente, desenvolvimento de estratégias de vigilância personalizadas e execução de experimentos reprodutíveis.

O Ambiente de Drones Multi-Agentes é um pacote Python que fornece uma simulação de múltiplos agentes personalizável para enxames de UAVs, construído sobre OpenAI Gym e PyBullet. Os usuários definem múltiplos agentes drone com modelos cinemáticos e dinâmicos para explorar tarefas cooperativas como voo em formação, rastreamento de alvos e evasão de obstáculos. O ambiente suporta configuração modular de tarefas, detecção de colisões realista e emulação de sensores, permitindo funções de recompensa personalizadas e políticas descentralizadas. Desenvolvedores podem integrar seus próprios algoritmos de reforço, avaliar o desempenho em diversos cenários e visualizar trajetórias de agentes e métricas em tempo real. Seu design open-source incentiva contribuições comunitárias, sendo ideal para pesquisa, ensino e prototipagem de soluções avançadas de controle de múltiplos agentes.

O Sistema de Coleta de Resíduos Autônoma Multiagente é uma plataforma orientada por pesquisa que emprega aprendizado por reforço multiagente para treinar robôs de coleta de resíduos individuais a colaborarem no planejamento de rotas. Os agentes aprendem a evitar cobertura redundante, minimizar a distância de viagem e responder a padrões dinâmicos de geração de resíduos. Construído em Python, o sistema integra um ambiente de simulação para testar e refinar políticas antes da implantação no mundo real. Os usuários podem configurar layouts de mapas, pontos de descarte de resíduos, sensores de agentes e estruturas de recompensa para adaptar o comportamento a áreas urbanas específicas ou restrições operacionais.

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.

O Rastreamento Visual Multi-Agente implementa um sistema distribuído composto por agentes inteligentes que comunicam para melhorar precisão e robustez no rastreamento de objetos em vídeo. Os agentes executam redes neurais convolucionais para detecção, compartilham observações para lidar com oclusões e ajustam parâmetros de rastreamento através de aprendizagem por reforço. Compatível com conjuntos de dados de vídeo populares, suporta treinamento e inferência em tempo real. Usuários podem integrá-lo facilmente a pipelines existentes e estender comportamentos de agentes para aplicações personalizadas.

MultiAgent-Systems-StarCraft2-PySC2-Raw oferece um kit completo para desenvolver, treinar e avaliar múltiplos agentes de IA em StarCraft II. Ele expõe controles de baixo nível para movimento de unidades, ataque e habilidades, enquanto permite uma configuração flexível de recompensas e cenários. Os usuários podem facilmente inserir arquiteturas de redes neurais personalizadas, definir estratégias de coordenação em equipe e registrar métricas. Construído sobre o PySC2, suporta treinamento paralelo, pontos de verificação e visualização, tornando-o ideal para avançar na pesquisa de aprendizado por reforço multiagente cooperativo e adversarial.

Multiagent_system oferece um kit completo para construir e gerenciar ambientes multiagente. Os usuários podem definir cenários de simulação personalizados, especificar comportamentos de agentes e aproveitar algoritmos pré-implementados como DQN, PPO e MADDPG. A estrutura suporta treinamentos síncronos e assíncronos, permitindo que os agentes interajam em paralelo ou em configurações por rodada. Módulos de comunicação integrados facilitam a passagem de mensagens entre agentes para estratégias cooperativas. A configuração de experimentos é simplificada por arquivos YAML, e os resultados são automaticamente registrados em CSV ou TensorBoard. Scripts de visualização ajudam a interpretar trajetórias de agentes, evolução de recompensas e padrões de comunicação. Projetado para fluxos de trabalho de pesquisa e produção, o Multiagent_system escala perfeitamente de protótipos em uma única máquina até treinamentos distribuídos em clusters GPU.

MultiAgentes fornece uma arquitetura modular para definir ambientes e agentes, apoiando interações multiagente síncronas e assíncronas. Inclui classes base para ambientes e agentes, cenários pré-definidos para tarefas cooperativas e competitivas, ferramentas para personalizar funções de recompensa, e APIs para comunicação entre agentes e compartilhamento de observações. Utilitários de visualização permitem monitoramento em tempo real de comportamentos dos agentes, enquanto módulos de registro gravam métricas de desempenho para análise. A framework integra-se perfeitamente com bibliotecas de RL compatíveis com Gym, permitindo treinamentos usando algoritmos existentes. É projetado para extensibilidade, permitindo que desenvolvedores adicionem novos templates de ambiente, tipos de agentes e protocolos de comunicação para atender a diferentes necessidades de pesquisa e educação.

O MultiAgentPacman oferece um ambiente de jogo em Python onde os usuários podem implementar, visualizar e comparar múltiplos agentes de IA no domínio Pacman. Suporta algoritmos de busca adversarial como minimax, expectimax, poda alfa-beta, bem como agentes personalizados baseados em reforço ou heurísticas. A estrutura inclui uma interface gráfica simples, controles de linha de comando e utilitários para registrar estatísticas do jogo e comparar o desempenho dos agentes em cenários cooperativos ou competitivos.

O MultiAgentSystems foi projetado para simplificar o processo de construção e avaliação de aplicações de aprendizado por reforço multiagente (MARL). A plataforma inclui implementações de algoritmos de ponta como MADDPG, QMIX, VDN e treinamento centralizado com execução descentralizada. Possui wrappers de ambiente modulares compatíveis com OpenAI Gym, protocolos de comunicação para interação entre agentes e utilitários de registro para rastrear métricas como modelagem de recompensas e taxas de convergência. Pesquisadores podem personalizar arquiteturas de agentes, ajustar hiperparâmetros e simular configurações como navegação cooperativa, alocação de recursos e jogos adversariais. Com suporte integrado para PyTorch, aceleração por GPU e integração com TensorBoard, o MultiAgentSystems acelera experimentação e benchmarking em domínios colaborativos e competitivos de múltiplos agentes.

NavGround Learning fornece um conjunto abrangente de ferramentas para desenvolver e comparar agentes de aprendizagem por reforço em tarefas de navegação. Suporta simulação multiagente, modelagem de colisões e sensores e atuadores personalizáveis. Os usuários podem escolher entre modelos de políticas pré-definidos ou implementar arquiteturas personalizadas, treinar com algoritmos de RL de última geração e visualizar métricas de desempenho. Sua integração com OpenAI Gym e Stable Baselines3 simplifica o gerenciamento de experimentos, enquanto ferramentas integradas de registro e visualização permitem análises aprofundadas do comportamento dos agentes e dinâmicas de treinamento.

OpenSpiel oferece uma ampla gama de ambientes, desde jogos de matriz simples até jogos de tabuleiro complexos como Xadrez, Go e Poker, e implementa vários algoritmos de aprendizado por reforço e busca (por exemplo, iteração de valor, gradiente de política, MCTS). Seu núcleo modular em C++ e ligações Python permitem que usuários integrem algoritmos personalizados, definam novos jogos e comparem desempenho em benchmarks padrão. Projetado para extensibilidade, suporta configurações de agente único e múltiplo, permitindo o estudo de cenários cooperativos e competitivos. Pesquisadores utilizam OpenSpiel para prototipar algoritmos rapidamente, realizar experimentos em grande escala e compartilhar código reprodutível.

Pits and Orbs é um ambiente de aprendizado por reforço de código aberto implementado em Python, oferecendo um mundo em grade multi-agente baseado em turnos onde os agentes perseguem objetivos e enfrentam perigos ambientais. Cada agente deve navegar por uma grade personalizável, evitar poços colocados aleatoriamente que penalizam ou encerram episódios, e coletar orbes para recompensas positivas. O ambiente suporta modos competitivos e cooperativos, permitindo aos pesquisadores explorar cenários de aprendizado variados. Sua API simples se integra facilmente com bibliotecas populares de RL, como Stable Baselines ou RLlib. Recursos principais incluem dimensões ajustáveis da grade, distribuições dinâmicas de poços e orbes, estruturas de recompensa configuráveis e registro opcional para análise de treinamento.

Poke-Env foi projetado para simplificar a criação e avaliação de agentes de IA para batalhas no Pokémon Showdown, proporcionando uma interface Python abrangente. Ele gerencia a comunicação com o servidor do Pokémon Showdown, analisa os dados do estado do jogo e gerencia as ações turno a turno através de uma arquitetura baseada em eventos. Os usuários podem estender classes de jogadores base para implementar estratégias personalizadas usando aprendizagem por reforço ou algoritmos heurísticos. A estrutura oferece suporte integrado para simulações de batalha, confrontos paralelizados e registro detalhado de ações, recompensas e resultados para pesquisa reprodutível. Ao abstrair tarefas de rede e parsing de baixo nível, Poke-Env permite que pesquisadores e desenvolvedores de IA foquem no design de algoritmos, ajuste de desempenho e benchmarking comparativo de estratégias de batalha.

PyBrain, abreviação de Python-Based Reinforcement Learning, Artificial Intelligence, and Neural Networks Library, é uma biblioteca modular e de código aberto projetada para tarefas de aprendizado de máquina. Suporta a construção de redes neurais, aprendizado por reforço e outros algoritmos de IA. Com seus poderosos e fáceis algoritmos, o PyBrain oferece uma ferramenta valiosa para desenvolvedores e pesquisadores que desejam enfrentar vários problemas de aprendizado de máquina. A biblioteca se integra suavemente com outras bibliotecas Python e é adequada para tarefas que vão desde aprendizado supervisionado simples até cenários complexos de aprendizado por reforço.