BotPlayers é uma estrutura versátil de código aberto projetada para agilizar o desenvolvimento e a implantação de agentes de jogos baseados em IA. Possui uma camada de abstração de ambiente flexível que suporta captura de tela, APIs web ou interfaces de simulação personalizadas, permitindo que bots interajam com vários jogos. A estrutura inclui algoritmos de aprendizado por reforço embutidos, algoritmos genéticos e heurísticas baseadas em regras, além de ferramentas para registro de dados, checkpointing de modelos e visualização de desempenho. Seu sistema modular de plugins permite que desenvolvedores personalizem sensores, ações e políticas de IA em Python ou Java. BotPlayers também oferece configuração baseada em YAML para prototipagem rápida e pipelines automatizados para treinamento e avaliação. Com suporte multiplataforma no Windows, Linux e macOS, esta estrutura acelera experimentações e produção de agentes de jogos inteligentes.

MARO (Otimização de Recursos Multiagente) é uma estrutura baseada em Python projetada para apoiar o desenvolvimento e avaliação de agentes de aprendizagem por reforço multiagente em cenários de cadeia de suprimentos, logística e gestão de recursos. Inclui modelos de ambientes para gestão de inventário, agendamento de caminhões, cross-docking, aluguel de contêineres e mais. Oferece uma API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulação paralela para treinamento em larga escala e ferramentas de visualização para análise de desempenho. A plataforma é modular, extensível e integra-se com bibliotecas populares de RL, possibilitando pesquisa reprodutível e prototipagem rápida de soluções de otimização baseadas em IA.

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.

multiagent_envs oferece um conjunto modular de ambientes baseados em Python, sob medida para pesquisa e desenvolvimento em aprendizado por reforço multiagente. Inclui cenários como navegação cooperativa, predador-vítima, dilemas sociais e arenas competitivas. Cada ambiente permite definir o número de agentes, características de observação, funções de recompensa e dinâmica de colisões. O framework integra-se perfeitamente com bibliotecas populares de RL, como Stable Baselines e RLlib, permitindo loops de treinamento vetorizados, execução paralela e fácil registro. Os usuários podem estender cenários existentes ou criar novos seguindo uma API simples, acelerando a experimentação com algoritmos como MADDPG, QMIX e PPO em uma configuração consistente e reprodutível.

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.

SeeAct foi projetado para capacitar agentes de visão-linguagem com um pipeline de duas etapas: um módulo de planejamento alimentado por grandes modelos de linguagem que gera subobjetivos com base em cenas observadas, e um módulo de execução que traduz subobjetivos em ações específicas do ambiente. Uma espinha dorsal de percepção extrai características de objetos e cenas de imagens ou simulações. A arquitetura modular permite substituição fácil de planejadores ou redes de percepção, e suporta avaliação em AI2-THOR, Habitat e ambientes personalizados. SeeAct acelera a pesquisa em IA interativa incorporada, fornecendo decomposição de tarefas de ponta a ponta, fundamentação e execução.

Este repositório agrega uma coleção abrangente de componentes de sistemas multiagentes e técnicas de coordenação de IA distribuída. Fornece implementações de algoritmos de consenso, protocolos de negociação de contrato, alocação de tarefas baseada em leilão, estratégias de formação de coalizões e frameworks de comunicação entre agentes. Os usuários podem aproveitar ambientes de simulação integrados para modelar e testar comportamentos de agentes em diferentes topologias de rede, cenários de latência e modos de falha. O design modular permite que desenvolvedores e pesquisadores integrem, estendam ou personalizem módulos de coordenação individuais para aplicações em enxames de robôs, colaboração de dispositivos IoT, redes inteligentes e sistemas de tomada de decisão distribuída.

Applied Intuition se especializa em fornecer soluções de software personalizadas para a indústria de veículos autônomos. Sua plataforma permite que os desenvolvedores criem simulações realistas, permitindo testes extensivos e validação de sistemas de condução de IA em uma variedade de ambientes virtuais. Isso garante segurança e eficiência em aplicações do mundo real. As ferramentas também se integram perfeitamente aos fluxos de trabalho existentes, facilitando a transição das equipes do desenvolvimento para a implementação.

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.

Open ACN é uma solução robusta de plataformas e frameworks de IA projetada para construir sistemas descentralizados de múltiplos agentes. Oferece um conjunto de protocolos de consenso destinados à cooperação entre agentes, garantindo decisões confiáveis em nós geograficamente distribuídos. O framework inclui camadas de comunicação modular, plugins de estratégia personalizáveis e um ambiente de simulação integrado para testes de ponta a ponta. Desenvolvedores podem definir comportamentos de agentes, implementar em Linux, macOS, Windows ou Docker, e aproveitar ferramentas de registro e monitoramento em tempo real. Ao fornecer APIs extensíveis e integração perfeita com modelos existentes de aprendizado de máquina, o Open ACN simplifica tarefas complexas de orquestração, fomentando redes autônomas interoperáveis, resilientes e adequadas para aplicações em robótica, automação de cadeias de suprimentos, finanças descentralizadas e IoT.