SelfDrivingCarSimulator é uma estrutura leve em Python construída sobre Pygame que oferece um ambiente de condução 2D para treinar agentes de veículos autônomos usando aprendizado por reforço. Ela suporta layouts de pistas personalizáveis, modelos de sensores configuráveis (como LiDAR e emulação de câmeras), visualização em tempo real e registro de dados para análise de desempenho. Desenvolvedores podem integrar seus algoritmos de RL, ajustar parâmetros físicos e monitorar métricas como velocidade, taxa de colisões e funções de recompensa para iterar rapidamente em projetos de pesquisa e educação sobre condução autônoma.

MultiAgentModel fornece uma API unificada para definir ambientes personalizados e classes de agentes para cenários multiagentes. Os desenvolvedores podem especificar espaços de observação e ação, estruturas de recompensa e canais de comunicação. O suporte embutido para algoritmos populares de RL como PPO, DQN e A2C permite o treino com configurações mínimas. Ferramentas de visualização em tempo real ajudam a monitorar interações de agentes e métricas de desempenho. A arquitetura modular garante fácil integração de novos algoritmos e módulos personalizados. Inclui também um sistema de configuração flexível para ajuste de hiperparâmetros, utilitários de registro para rastreamento de experimentos e compatibilidade com ambientes OpenAI Gym para portabilidade sem esforço. Os usuários podem colaborar em ambientes compartilhados e reproduzir sessões gravadas para análise.

O repositório Projetos Berkeley Pacman oferece uma base de código modular em Python onde os usuários constroem e testam agentes de IA em um labirinto de Pacman. Ele orienta os aprendizes através de busca não informada e informada (DFS, BFS, A*), busca adversarial multiagente (minimax, poda alpha-beta) e aprendizado por reforço (Q-learning com extração de características). Interfaces gráficas integradas visualizam o comportamento dos agentes em tempo real, enquanto casos de testes incorporados e um autograder verificam a correção. Ao iterar nas implementações dos algoritmos, os usuários ganham experiência prática em exploração de espaço de estados, design heurístico, raciocínio adversarial e aprendizado baseado em recompensas dentro de uma estrutura de jogo unificada.

BomberManAI é um agente de IA projetado para jogar o clássico jogo Bomberman de forma autônoma. Desenvolvido em Python, ele se comunica com um ambiente de jogo para perceber o estado do mapa, movimentos disponíveis e posições de oponentes em tempo real. O algoritmo central combina busca de caminho A*, análise de acessibilidade com busca em largura e uma função heurística para determinar a melhor colocação de bombas e estratégias de evasão. O agente lida com obstáculos dinâmicos, power-ups e múltiplos oponentes em vários layouts de mapas. Sua arquitetura modular permite que desenvolvedores experimentem com heurísticas personalizadas, módulos de aprendizado por reforço ou estratégias de decisão alternativas. Ideal para pesquisadores de IA em jogos, estudantes e desenvolvedores de bots competitivos, o BomberManAI fornece uma estrutura flexível para testar e melhorar agentes de jogo autônomos.

CommNet é uma biblioteca orientada à pesquisa que implementa a arquitetura CommNet, permitindo que múltiplos agentes compartilhem estados ocultos em cada passo de tempo e aprendam a coordenar ações em ambientes cooperativos. Inclui definições de modelos PyTorch, scripts de treinamento e avaliação, wrappers de ambientes para OpenAI Gym e utilitários para personalizar canais de comunicação, contagem de agentes e profundidade da rede. Pesquisadores e desenvolvedores podem usar o CommNet para prototipar e fazer benchmarking de estratégias de comunicação entre agentes em tarefas de navegação, perseguição-evitação e coleta de recursos.

DataEnvGym fornece uma coleção de ambientes modulares e personalizáveis baseados na API Gym para facilitar a pesquisa em aprendizado por reforço em domínios orientados a dados. Pesquisadores e engenheiros podem escolher entre tarefas embutidas como limpeza de dados, engenharia de recursos, agendamento de lotes e análise de streaming. A estrutura suporta integração tranquila com bibliotecas RL populares, métricas de benchmarking padronizadas e ferramentas de registro para acompanhar o desempenho do agente. Os usuários podem estender ou combinar ambientes para modelar pipelines de dados complexos e avaliar algoritmos sob restrições realistas.

A IntelligentMASPlatform foi construída para acelerar o desenvolvimento e implantação de sistemas multiagente oferecendo uma arquitetura modular com camadas distintas para agentes, ambiente e serviços. Os agentes se comunicam usando mensagens ACL compatíveis com FIPA, possibilitando negociações e coordenação dinâmicas. A plataforma inclui um simulador de ambiente versátil que permite modelar cenários complexos, agendar tarefas de agentes e visualizar interações em tempo real através de um painel embutido. Para comportamentos avançados, integra módulos de aprendizado por reforço e suporta plugins de comportamento personalizados. Ferramentas de implantação permitem empacotar agentes em aplicativos autônomos ou redes distribuídas. Além disso, a API da plataforma facilita a integração com bancos de dados, dispositivos IoT ou serviços de IA de terceiros, tornando-a adequada para pesquisa, automação industrial e casos de uso em cidades inteligentes.

Este repositório implementa comunicação emergente em aprendizado por reforço multiagente usando PyTorch. Os usuários podem configurar redes neurais de emissores e receptores para jogar jogos referenciais ou navegação cooperativa, incentivando os agentes a desenvolver um canal de comunicação discreto ou contínuo. Oferece scripts para treinamento, avaliação e visualização dos protocolos aprendidos, além de utilitários para criação de ambientes, codificação e decodificação de mensagens. Pesquisadores podem expandi-lo com tarefas personalizadas, modificar arquiteturas de rede e analisar a eficiência do protocolo, promovendo experimentação rápida em comunicação emergente de agentes.

Multi-Agent-Seller fornece um ambiente modular para simulação de negociações de comércio eletrônico usando agentes AI. Inclui agentes pré-construídos de comprador e vendedor com estratégias de negociação personalizáveis, como precificação dinâmica, concessões baseadas no tempo e decisões baseadas em utilidade. Os usuários podem definir protocolos, formatos de mensagens e condições de mercado personalizados. O framework gerencia sessões, rastreamento de ofertas e registros de resultados com ferramentas de visualização integradas para analisar interações de agentes. Integra-se facilmente com bibliotecas de aprendizado de máquina para desenvolvimento de estratégias, permitindo experimentação com aprendizado por reforço ou agentes baseados em regras. Sua arquitetura extensível permite adicionar novos tipos de agentes, regras de negociação e plugins de visualização. Multi-Agent-Seller é ideal para testar algoritmos multiagente, estudar comportamentos de negociação e ensinar conceitos em AI e comércio eletrônico.

NeuralABM é uma biblioteca open-source em Python que utiliza PyTorch para integrar redes neurais na modelagem baseada em agentes. Usuários podem especificar arquiteturas de agentes como módulos neurais, definir dinâmicas do ambiente e treinar comportamentos de agentes usando retropropagação entre passos de simulação. O framework suporta sinais de recompensa personalizados, aprendizado por currículo e atualizações síncronas ou assíncronas, permitindo o estudo de fenômenos emergentes. Com utilitários para registro, visualização e exportação de conjuntos de dados, pesquisadores e desenvolvedores podem analisar o desempenho do agente, depurar modelos e iterar no design da simulação. NeuralABM simplifica a combinação de reforço de aprendizagem com ABM para aplicações em ciências sociais, economia, robótica e comportamentos de NPC em jogos alimentados por IA. Oferece componentes modulares para personalização do ambiente, suporta interações multiagentes e fornece ganchos para integrar conjuntos de dados externos ou APIs para simulações do mundo real. O design aberto promove reprodutibilidade e colaboração através de configurações claras de experimentos e integração com controle de versão.

O NKC Multi-Agent Models fornece a pesquisadores e desenvolvedores uma ferramenta completa para projetar, treinar e avaliar sistemas de aprendizado por reforço multiagente. Possui uma arquitetura modular onde os usuários definem políticas personalizadas de agentes, dinâmicas ambientais e estruturas de recompensa. A integração perfeita com OpenAI Gym permite prototipagem rápida, enquanto o suporte a TensorFlow e PyTorch oferece flexibilidade na escolha dos backends de aprendizagem. A estrutura inclui utilitários para replay de experiência, treinamento centralizado com execução descentralizada e treinamento distribuído em múltiplas GPUs. Módulos extensos de registro e visualização capturam métricas de desempenho, facilitando o benchmarking e o ajuste de hiperparâmetros. Ao simplificar a configuração de cenários cooperativos, competitivos e de motivações mistas, o NKC Multi-Agent Models acelera experimentos em domínios como veículos autônomos, enxames robóticos e inteligência de jogos.

Pacman AI oferece um ambiente e uma estrutura de agentes totalmente funcionais em Python para o clássico jogo Pacman. O projeto implementa algoritmos principais de aprendizado por reforço—Q-learning e iteração de valores—para permitir que o agente aprenda políticas ótimas para coleta de pílulas, navegação no labirinto e evasão de fantasmas. Os usuários podem definir funções de recompensa personalizadas e ajustar hiperparâmetros como taxa de aprendizado, fator de desconto e estratégia de exploração. A estrutura suporta registro de métricas, visualização de desempenho e configurações reprodutíveis de experimentos. É projetada para fácil extensão, permitindo que pesquisadores e estudantes integrem novos algoritmos ou abordagens baseadas em redes neurais e os comparem com métodos tradicionais de grade no domínio de Pacman.

PommerLearn permite que pesquisadores e desenvolvedores treinem bots de RL multiagentes no ambiente de jogo Pommerman. Inclui implementações prontas de algoritmos populares (PPO, DQN), arquivos de configuração flexíveis para hiperparâmetros, registro e visualização automáticos de métricas de treinamento, ponto de verificação de modelos e scripts de avaliação. Sua arquitetura modular facilita a extensão com novos algoritmos, customização de ambientes e integração com bibliotecas padrão de ML como PyTorch.

Simple Playgrounds fornece uma plataforma modular para construir ambientes interativos em grade 2D, onde os agentes podem navegar por labirintos, interagir com objetos e completar tarefas. Os usuários definem layouts do ambiente, comportamentos de objetos e funções de recompensa via scripts simples em YAML ou Python. O renderizador integrado do Pygame oferece visualização em tempo real, enquanto uma API baseada em passos garante integração perfeita com bibliotecas de aprendizado por reforço, como Stable Baselines3. Com suporte para configurações multiagente, detecção de colisões e parâmetros de física personalizáveis, o Simple Playgrounds agiliza a prototipagem, benchmarking e demonstrações educacionais de algoritmos de IA.

RL-Agents é uma estrutura de aprendizado por reforço de nível de pesquisa construída sobre PyTorch que reúne algoritmos populares de RL em métodos baseados em valor, política e ator-crítico. A biblioteca possui uma API modular de agentes, aceleração por GPU, integração perfeita com OpenAI Gym e ferramentas embutidas de registro e visualização. Os usuários podem configurar hiperparâmetros, personalizar ciclos de treinamento e fazer benchmarking de desempenho com algumas linhas de código, tornando RL-Agents ideal para pesquisa acadêmica, prototipagem e experimentação industrial.

RL Collision Avoidance fornece um pipeline completo para desenvolver, treinar e implantar políticas de prevenção de colisões para múltiplos robôs. Oferece um conjunto de cenários de simulação compatíveis com Gym onde agentes aprendem navegação sem colisões usando algoritmos de reforço. Os usuários podem personalizar parâmetros do ambiente, usar aceleração por GPU para treinamento mais rápido e exportar políticas aprendidas. A estrutura também integra com ROS para testes reais, suporta modelos pré-treinados para avaliação imediata e dispõe de ferramentas para visualizar trajetórias de agentes e métricas de desempenho.

Auto-aprendizado simples oferece aos desenvolvedores uma abordagem extremamente simples para criar e treinar agentes de aprendizado por reforço em Python. A estrutura abstrai componentes principais de RL, como wrappers de ambientes, módulos de política e buffers de experiência, em interfaces concisas. Os usuários podem rapidamente inicializar ambientes, definir políticas personalizadas usando backends familiares como PyTorch ou TensorFlow, e executar loops de treinamento com registro e pontos de verificação integrados. A biblioteca suporta algoritmos on-policy e off-policy, permitindo experimentações flexíveis com Q-learning, gradientes de política e métodos ator-crítico. Ao reduzir o código boilerplate, auto-aprendizado simples permite que praticantes, educadores e pesquisadores prototype algoritmos, testem hipóteses e visualizem o desempenho do agente com configuração mínima. Seu design modular também facilita a integração com stacks de ML existentes e ambientes personalizados.

SoccerAgent é uma estrutura de IA especializada projetada para desenvolver e treinar agentes autônomos de futebol usando técnicas avançadas de aprendizado por reforço multiagente (MARL). Ela simula partidas de futebol realistas em ambientes 2D ou 3D, oferecendo ferramentas para definir funções de recompensa, personalizar atributos dos jogadores e implementar estratégias táticas. Os usuários podem integrar algoritmos populares de RL (como PPO, DDPG e MADDPG) via módulos integrados, monitorar o progresso do treinamento através de painéis de controle e visualizar comportamentos dos agentes em tempo real. A estrutura suporta treinamentos baseados em cenários para ataque, defesa e protocolos de coordenação. Com uma base de código extensível e documentação detalhada, SoccerAgent capacita pesquisadores e desenvolvedores a analisar dinâmicas de equipe e refinar estratégias de jogo impulsionadas por IA para projetos acadêmicos e comerciais.

Este repositório fornece uma estrutura completa de aprendizado por reforço para pesquisa de jogabilidade em StarCraft II. O agente principal usa Proximal Policy Optimization (PPO) para aprender redes de política que interpretam dados de observação do ambiente PySC2 e geram ações precisas no jogo. Desenvolvedores podem configurar camadas de redes neurais, modelagem de recompensas e cronogramas de treinamento para otimizar o desempenho. O sistema suporta multiprocessamento para coleta eficiente de amostras, utilitários de registro para monitorar curvas de treinamento e scripts de avaliação para executar políticas treinadas contra oponentes scriptados ou IA incorporada. O código é escrito em Python e utiliza TensorFlow para definição e otimização de modelos. Usuários podem estender componentes como funções de recompensa personalizadas, pré-processamento de estado ou arquiteturas de rede para atender a objetivos de pesquisa específicos.

TexasHoldemAgent fornece um ambiente modular baseado em Python para treinar, avaliar e implantar um jogador de poker alimentado por IA para Texas Hold’em limit heads-up. Integra um motor de simulação personalizado com algoritmos de aprendizado por reforço profundo, incluindo DQN, para melhoria iterativa de políticas. Funcionalidades principais incluem codificação do estado das mãos, definição do espaço de ações (Fold, Call, Raise), modelagem de recompensas e avaliação de decisões em tempo real. Usuários podem personalizar os parâmetros de aprendizagem, usar aceleração de CPU/GPU, monitorar o progresso do treinamento e carregar ou salvar modelos treinados. O framework suporta simulação em lote para testar várias estratégias, gerar métricas de desempenho e visualizar taxas de vitória, capacitando pesquisadores, desenvolvedores e entusiastas de poker a experimentar estratégias de jogo orientadas por IA.