Проект Многоагентная робототехническая система предлагает модульную платформу на Python для разработки, моделирования и развертывания совместных робототехнических команд. В основе лежит реализация децентрализованных стратегий управления, позволяющих роботам делиться информацией о состоянии и совместно распределять задачи без центрального координатора. В систему встроены модули для планирования маршрутов, избегания столкновений, картирования окружения и динамического планирования задач. Разработчики могут интегрировать новые алгоритмы, расширяя предоставленные интерфейсы, настраивать протоколы связи через файлы конфигурации и визуализировать взаимодействие роботов в моделируемых средах. Совместима с ROS, обеспечивает бесшовный переход от моделирования к реальному оборудованию. Этот каркас ускоряет исследования, предоставляя переиспользуемые компоненты для поведения роевого типа, совместной разведки и автоматизации складов.

RL Collision Avoidance предоставляет полный конвейер для разработки, обучения и внедрения политик избегания столкновений для мульти-роботов. Предлагает набор сценариев симуляции, совместимых с Gym, где агенты учатся избегать столкновений с помощью алгоритмов обучения с подкреплением. Пользователи могут настраивать параметры окружения, использовать GPU для ускоренного обучения и экспортировать полученные политики. Фреймворк также интегрирован с ROS для тестирования в реальных условиях, поддерживает предварительно обученные модели для немедленной оценки и оснащен инструментами для визуализации траекторий агентов и метрик производительности.

CASA разработана как модульная, «подключи и работай» платформа автономии, построенная на экосистеме Robot Operating System (ROS). В ней используется децентрализованная архитектура, где каждый робот работает с локальными планировщиками и узлами деревьев поведения, публикуя обновления состояния мира на общем общем табло. Распределение задач осуществляется с помощью аукционных алгоритмов, которые назначают миссии на основе возможностей и доступности роботов. Уровень связи использует стандартные сообщения ROS по многороботным сетям для синхронизации. Разработчики могут настраивать параметры миссий, интегрировать драйверы датчиков и расширять библиотеки поведения. CASA поддерживает моделирование сценариев, мониторинг в реальном времени и инструменты логирования. Его расширяемый дизайн позволяет исследовательским группам экспериментировать с новыми алгоритмами координации и без проблем развертывать на различных платформах, от наземных БПЛА до воздушных дронов.

Duckietown сочетает низкозатратное оборудование, программное обеспечение с открытым исходным кодом и масштабируемую экосистему для изучения ИИ и автономии. Он предназначен для образовательных целей и предлагает все, от индивидуальных учебных комплектов до комплексных классных наборов. Его основной продукт, Duckiebot, — это небольшой модульный робот, который взаимодействует внутри миниатюрного городского пейзажа, отражающего сценарии реального мира. Этот практический подход не только делает обучение робототехнике увлекательным, но и глубоко познавательным.

Многоагентная симуляция инспекции предоставляет комплексную платформу для моделирования и обучения нескольких автономных агентов для выполнения инспекционных задач в кооперативе в средах Unity 3D. Она интегрируется с набором инструментов Unity ML-Agents, предлагая настраиваемые сцены с целями инспекции, регулируемыми функциями наград и параметрами поведения агентов. Исследователи могут писать собственные сценарии, определять число агентов и задавать учебные планы через API на Python. Пакет поддерживает параллельное обучение, ведение логов в TensorBoard и настраиваемые наблюдения, такие как лазерные лучи, видеопотоки камер и данные о положении. Регулируя гиперпараметры и сложность среды, пользователи могут проводить бенчмарки алгоритмов обучения с подкреплением по показателям охвата, эффективности и координации. Открытый исходный код способствует расширениям для прототипирования роботов, исследований в области кооперативного ИИ и учебных демонстраций в системах с несколькими агентами.

NavGround — это комплексная система навигации на базе ИИ, которая обеспечивает реактивное планирование движений, избегание препятствий и создание траекторий для дифференциальных и холономных роботов в 2D-средах. Она объединяет динамические представления карт и датчики для обнаружения статических и движущихся препятствий, применяя методы препятствий на основе скоростей для вычисления скоростей без столкновений, учитывающих кинематику и динамику робота. Лёгкая C++ библиотека предлагает модульный API с поддержкой ROS, что обеспечивает беспрепятственную интеграцию с системами SLAM, планировщиками путей и управляющими циклами. Реальное время и возможность быстрого адаптирования делают NavGround подходящим для сервисных роботов, автономных транспортных средств и исследовательских прототипов, работающих в за crowded или динамических сценариях. Расширяемая архитектура и настраиваемые функции стоимости позволяют быстро экспериментировать и оптимизировать поведение навигации.