Multi-Agent-AI-Models-and-Path-Planning предоставляет полный набор инструментов для разработки и тестирования систем с несколькими агентами в сочетании с классическими и современными методами планирования маршрутов. Включает реализации алгоритмов таких как A*, Dijkstra, RRT и потенциальных полей, а также настраиваемые модели поведения агентов. Встроенные модули моделирования и визуализации позволяют удобно создавать сценарии, осуществлять мониторинг в реальном времени и анализировать производительность. Предназначен для расширения, пользователи могут добавлять новые алгоритмы планирования или модели решений агентов для оценки совместной навигации и распределения задач в сложных условиях.

CogAgent — исследовательская, открытая библиотека на Python, предназначенная для упрощения разработки AI-агентов. Она предоставляет основные модули для управления памятью, планирования и рассуждений, интеграции инструментов и API, а также выполнения цепочки мыслей. Благодаря своей высокой модульной архитектуре пользователи могут определять пользовательские инструменты, хранилища памяти и политики агентов для создания разговорных чатботов, автономных планировщиков задач и сценариев автоматизации рабочих процессов. CogAgent поддерживает интеграцию с популярными LLM, такими как OpenAI GPT и Meta LLaMA, позволяя исследователям и разработчикам экспериментировать, расширять и масштабировать свои интеллектуальные агенты для различных реальных приложений.

ePH-MAPF обеспечивает эффективный процесс вычисления путей без столкновений для десятков и сотен агентов на сеточных картах. Использует приоритетные эвристики, техники инкрементального поиска и настраиваемые метрики стоимости (Манхэттен, Евклид), чтобы сбалансировать скорость и качество решения. Пользователи могут выбрать разные эвристические функции, интегрировать библиотеку в системы на Python и тестировать производительность на стандартных сценариях MAPF. Код модульный и хорошо документирован, что позволяет исследователям и разработчикам расширять его для динамических препятствий или специализированных сред.

Модуль Java Action Linearprogram предоставляет специализированное действие, позволяющее агентам моделировать и решать задачи линейной оптимизации. Пользователи могут конфигурировать коэффициенты цели, добавлять равенства и неравенства, выбирать методы решения и запускать решатель в цикле рассуждения агента. После выполнения действие возвращает оптимальные значения переменных и результат цели, которые агенты могут использовать для последующего планирования или выполнения. Этот компонент plug-and-play скрывает сложность решателя, сохраняя полный контроль над определением задач через Java-интерфейсы.