BotPlayers — это универсальный открытый фреймворк, разработанный для упрощения разработки и развертывания агентов для игр на базе искусственного интеллекта. Он включает гибкий слой абстракции среды, поддерживающий скриншоты, веб-API или настраиваемые интерфейсы моделирования, позволяя ботам взаимодействовать с разными играми. Встроенные алгоритмы обучения с подкреплением, генетические алгоритмы и эвристические правила, а также инструменты для логирования данных, создания контрольных точек моделей и визуализации производительности. Модульная система плагинов позволяет разработчикам настраивать датчики, действия и политики ИИ на Python или Java. Также доступны конфигурации на YAML для быстрой разработки прототипов и автоматизированных пайплайнов для обучения и оценки. Поддержка кроссплатформенности на Windows, Linux и macOS ускоряет эксперименты и производство интеллектуальных игровых агентов.

MARO (Multi-Agent Resource Optimization) — это фреймворк на Python, предназначенный для поддержки разработки и оценки агентов обучения с подкреплением с несколькими агентами в сценариях цепей поставок, логистики и управления ресурсами. Включает шаблоны для управления запасами, планирования грузовиков, кросс-докинга, аренды контейнеров и прочего. MARO предлагает унифицированный API агентов, встроенные трекеры для ведения экспериментов, возможности параллельного моделирования для масштабных тренировок и инструменты визуализации для анализа эффективности. Платформа модульная, расширяемая, интегрируется с популярными RL-библиотеками, обеспечивая воспроизводимость исследований и быструю прототипирование решений на базе ИИ.

Многопроцессорная система поиска и спасения в ROS — это робототехнический фреймворк, использующий ROS для развертывания нескольких автономных агентов для проведения скоординированных операций поиска и спасения. Каждый агент использует внутренние датчики и темы ROS для создания карт в реальном времени, избегания препятствий и обнаружения целей. Центральный координатор динамически распределяет задачи в зависимости от состояния агента и отзывов окружающей среды. Система может работать в Gazebo или на физических роботах, позволяя исследователям и разработчикам тестировать и совершенствовать взаимодействие множества роботов, протоколы связи и адаптивное планирование миссий в условиях, приближенных к реальности.

Этот проект с открытым исходным кодом представляет собой полный фреймворк обучения с подкреплением для нескольких агентов на базе PyTorch и Unity ML-Agents. Включает децентрализованные алгоритмы DDPG, обертки окружения и тренировочные скрипты. Пользователи могут настраивать политики агентов, критические сети, буферы повторных данных и параллельных рабочих. Встроены хуки для логирования и мониторинга с помощью TensorBoard, а модульная структура позволяет легко внедрять пользовательские функции награды и параметры окружения. В репозитории есть примерные сцены Unity с демонстрациями задач совместной навигации, что делает его идеально подходящим для расширения и бенчмаркинга сценариев с множеством агентов в симуляциях.

multiagent_envs — это модульный набор сред на Python, предназначенных для исследований и разработки в области обучения с подкреплением с несколькими агентами. Включает сценарии, такие как кооперативная навигация, хищник-жертва, социальные дилеммы и соревновательные арены. Каждая среда позволяет задавать число агентов, характеристики наблюдений, функции вознаграждения и динамику столкновений. Фреймворк легко интегрируется с популярными RL-библиотеками как Stable Baselines и RLlib, поддерживая векторизированное обучение, параллельное выполнение и легкое логирование. Пользователи могут расширять существующие сценарии или создавать новые с помощью простой API, ускоряя экспериментирование с алгоритмами MADDPG, QMIX, PPO в воспроизводимых условиях.

Multiagent_system предлагает полноценный набор инструментов для построения и управления средами с несколькими агентами. Пользователи могут задавать собственные сценарии моделирования, описывать поведение агентов и использовать предустановленные алгоритмы, такие как DQN, PPO и MADDPG. Фреймворк поддерживает синхронное и асинхронное обучение, позволяя агентам взаимодействовать одновременно или по очереди. Встроенные модули коммуникации облегчают обмен сообщениями между агентами для кооперативных стратегий. Конфигурация экспериментов упрощена с помощью YAML-файлов, а результаты автоматически сохраняются в формате CSV или в TensorBoard. Скрипты визуализации помогают интерпретировать траектории агентов, динамику наград и схемы коммуникации. Разработан для исследовательских и производственных задач, Multiagent_system легко масштабируется от одиночных прототипов до распределенного обучения на GPU-кластеров.

SeeAct предназначен для оснащения агентов видения-языка двухступенчатой системой: модуль планирования на базе больших языковых моделей создает подцели на основе наблюдаемых сцен, а модуль выполнения переводит эти подцели в действия, специфичные для окружения. В базовом восприятии извлекаются признаки объектов и сцен из изображений или симуляций. Модульная архитектура позволяет легко заменять планировщики или сети восприятия и поддерживает оценку в AI2-THOR, Habitat и пользовательских средах. SeeAct ускоряет исследование интерактивного embodied AI, предоставляя разложение задач, привязку и выполнение от начала до конца.

Этот репозиторий содержит универсальную коллекцию компонентов многопользовательских систем и методов распределенной ИИ-координации. Он включает реализации алгоритмов согласия, протоколов переговоров Contract-Net, аукционных методов распределения задач, стратегий формирования коалиций и коммуникационных framework между агентами. Пользователи могут использовать встроенные среды моделирования для моделирования и тестирования поведения агентов при различных топологиях сети, сценариях задержки и отказах. Модульная структура позволяет разработчикам и исследователям интегрировать, расширять или настраивать отдельные модули координации для приложений в робототехнике, Интернете вещей, умных сетях и системах распределенного принятия решений.

Applied Intuition специализируется на предоставлении программных решений, адаптированных для индустрии автономных автомобилей. Их платформа позволяет разработчикам создавать реалистичные симуляции, что позволяет проводить обширное тестирование и валидацию систем ИИ в различных виртуальных средах. Это обеспечивает безопасность и эффективность в реальных приложениях. Инструменты также бесшовно интегрируются с существующими рабочими процессами, что упрощает командам переход от разработки к развертыванию.

Immersim AI — это передовая платформа для ролевых игр, разработанная для раскрытия креативности в повествовании. Пользователи могут создавать и исследовать бесконечные вселенные и сценарии, взаимодействуя с персонажами в динамичных нарративах. Будь вы рассказчиком, игроком или просто любителем погружающих опытов, Immersim AI позволяет вам формировать нарратив, участвуя в интерактивном мире, который эволюционирует на основе пользовательского ввода, обогащая опыт.

multi_agent_celar представляет собой модульную платформу ИИ, позволяющую осуществлять коммуникацию между несколькими интеллектуальными агентами на основе возникающего языка в симулированных окружениях. Пользователи могут задавать поведения агентов через файлы политик, настраивать параметры окружения и запускать сессии совместного обучения, в ходе которых агенты развивают собственные протоколы связи для решения кооперативных задач. В состав фреймворка входят скрипты оценки, инструменты визуализации и поддержка масштабируемых экспериментов, что делает его идеальным для исследований в области мультиагентного взаимодействия, возникающих языков и процессов принятия решений.

Open ACN — это надёжное решение платформ и фреймворков AI, разработанное для построения децентрализованных мультиагентных систем. Оно предлагает набор протоколов согласования, предназначенных для совместной работы агентов, обеспечивая надёжное принятие решений между геодистрибутивными узлами. В фреймворк входит модульный уровень коммуникации, настраиваемые плагины стратегий и встроенная среда симуляции для комплексных тестов. Разработчики могут определять поведение агентов, запускать их на Linux, macOS, Windows или Docker и использовать систему логирования и мониторинга в реальном времени. Предоставляя расширяемые API и гладкую интеграцию существующих моделей машинного обучения, Open ACN упрощает сложные задачи оркестрации и способствует созданию интероперабельных, устойчивых автономных сетей, пригодных для робототехники, автоматизации цепочек поставок, децентрализованных финансов и IoT.