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.

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.

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.

NavGround é uma estrutura de navegação abrangente alimentada por IA que oferece planejamento de movimento reativo, evasão de obstáculos e geração de trajetórias para robôs diferenciais e holonômicos em ambientes 2D. Integra representações de mapas dinâmicos e fusão de sensores para detectar obstáculos estáticos e móveis, aplicando métodos de obstáculo de velocidade para calcular velocidades livres de colisões, aderindo à cinemática e dinâmica do robô. A biblioteca leve em C++, oferece uma API modular com suporte a ROS, permitindo integração perfeita com sistemas SLAM, planejadores de caminho e ciclos de controle. O desempenho em tempo real e a adaptabilidade sob demanda tornam-no adequado para robôs de serviço, veículos autônomos e protótipos de pesquisa que operam em cenários congestionados ou dinâmicos. A arquitetura personalizável e extensível do framework facilita experimentações rápidas e otimizações do comportamento de navegação.