JaCaMo предоставляет единое окружение для разработки и запуска многоагентных систем (MAS), объединяя три основных компонента: язык программирования агентов Jason для агентов на базе BDI, CArtAgO для моделирования окружающей среды с помощью артефактов и Moise для задания организационных структур и ролей. Разработчики могут писать планы агентов, определять артефакты с операциями и организовывать группы агентов в рамках нормативных структур. Платформа включает инструменты для симуляции, отладки и визуализации взаимодействий MAS. Благодаря поддержке распределённого выполнения, репозиториям артефактов и гибкому обмену сообщениями, JaCaMo позволяет быстро создавать прототипы и проводить исследования в областях, таких как ройоподобный интеллект, коллаборативная робототехника и распределённое принятие решений. Его модульная архитектура обеспечивает масштабируемость и расширяемость для академических и промышленных проектов.

kilobees — это комплексная платформа для оркестровки многогентных систем, созданная на Python и упрощающая разработку сложных рабочих процессов ИИ. Разработчики могут задавать отдельным агентам специальные роли, такие как извлечение данных, обработка естественного языка, интеграция API или логика принятия решений. kilobees автоматически управляет обменом сообщениями между агентами, очередями задач, восстановлением после ошибок и балансировкой нагрузки по потокам выполнения или распределённым узлам. Его плагин-архитектура поддерживает настраиваемые шаблоны подсказок, панели мониторинга производительности и интеграции с внешними службами, такими как базы данных, веб-API или облачные функции. Обеспечивая абстрагирование типичных задач при координации многогентных систем, kilobees ускоряет прототипирование, тестирование и внедрение сложных решений ИИ с совместной работой агентов, параллельным выполнением и модульной расширяемостью.

MultiAgentSystems предназначена для упрощения процесса создания и оценки приложений многоагентного обучения с подкреплением (MARL). Платформа включает реализации современных алгоритмов, таких как MADDPG, QMIX, VDN, а также централизованное обучение с децентрализованным исполнением. В ней реализованы модульные обертки для сред OpenAI Gym, протоколы коммуникации между агентами и утилиты для журналирования метрик, таких как награда и сходимость. Исследователи могут настраивать архитектуры агентов, гиперпараметры, моделировать сценарии, включая совместную навигацию, распределение ресурсов и противоборствующие игры. Благодаря встроенной поддержке PyTorch, ускорению на GPU и интеграции с TensorBoard, MultiAgentSystems ускоряет эксперименты и бенчмаркинг в области коллаборативного и соревновательного многоагентного обучения.

AutoDRIVE Cooperative MARL — это открытая платформа для обучения и развертывания совместных политик обучения с подкреплением для автономных заданий. Она интегрируется с реалистичными симуляторами для моделирования дорожных сценариев, таких как перекрестки, автопоезда на шоссе и сценарии слияния. В рамках реализовано централизованное обучение с децентрализованным выполнением, что позволяет транспортным средствам обучаться объединённым политикам для повышения эффективности и безопасности дорожного движения. Пользователи могут настраивать параметры среды, выбирать алгоритмы MARL, визуализировать прогресс обучения и оценивать координацию агентов.

VMAS — полный набор инструментов для построения и обучения мультиагентных систем с помощью глубокого обучения с подкреплением. Он обеспечивает параллельное моделирование сотен экземпляров окружений на GPU, что позволяет собирать данные с высокой пропускной способностью и масштабировать обучение. VMAS включает реализации популярных алгоритмов MARL, таких как PPO, MADDPG, QMIX и COMA, и предлагает модульные интерфейсы для быстрой прототипизации политики и среды. Фреймворк позволяет организовать централизованное обучение с децентрализованным исполнением (CTDE), поддерживаемые настраиваемые наградные функции, пространства наблюдения и хуки обратных вызовов для ведения журналов и визуализации. Благодаря модульной архитектуре VMAS легко интегрируется с моделями PyTorch и внешними средами, что делает его идеальным для исследований в задачах сотрудничества, соревнований и смешанных мотиваций в робототехнике, управлении трафиком, распределении ресурсов и сценариях игровой AI.