多機器人檢查模擬提供一個完整框架，用於模擬並訓練多個自主代理，以在Unity 3D環境中協作完成檢查任務。它與Unity ML-Agents工具箱整合，提供可配置的場景、檢查目標、可調整的獎勵函數與代理行為參數。研究人員可以撰寫自定義環境，定義代理數量，並透過Python API設置訓練流程。此套件支援並行訓練、TensorBoard記錄，並支援包括射線投射、攝像頭影像及位置資料的觀察輸入。調整超參數與環境復雜度後，使用者可以在覆蓋範圍、效率及協調性等指標上基準測試強化學習演算法。開源碼促進擴充用於機器人原型、協作AI研究及多機器人系統的教育示範。

Multi Agent Simulation提供靈活的API，用以定義具有自訂感測器、執行器和決策邏輯的代理類別。用戶配置帶有障礙物、資源和通信協定的環境，然後運行逐步或實時的模擬循環。內建的日誌系統、事件調度和Matplotlib整合，協助追蹤代理狀態並視覺化結果。模組化設計允許輕鬆擴展新的行為、環境及提升性能，非常適合學術研究、教育以及多代理場景的原型設計。

這個開源框架結合了AgentSimJs的智能體建模庫與Three.js的3D圖形引擎，提供交互式的瀏覽器多智能體模擬。用戶可以定義智能體類型、行為和環境規則，配置碰撞檢測和事件處理，並以可定制的渲染選項實時視覺化模擬。該庫支持動態控制、場景管理和性能調優，非常適合用於研究、教育和複雜智能體場景的原型設計。

NavGround Learning提供一套完整工具，用於開發與測試導航任務中的增強學習代理。支援多代理模擬、碰撞建模，以及可定制的感測器與執行器。使用者可選擇預設策略模板或實現自訂架構，並使用最先進的RL演算法進行訓練，還能視覺化性能指標。與OpenAI Gym和Stable Baselines3的整合，讓實驗管理更為便利，內建記錄與視覺化工具則助於深入分析代理行為與訓練動態。

Pits and Orbs是一個用Python實作的開源強化學習環境，提供回合制多代理格子世界，在其中代理追求目標並面臨環境危險。每個代理必須在可調整的格子上導航，避免隨機放置的陷阱（會懲罰或終止回合），並收集寶珠來獲得正向獎勵。該環境支援競爭和合作模式，讓研究者探索多樣學習場景。簡單的API可無縫整合如Stable Baselines或RLlib等流行RL框架。目前主要特色包括可調格子尺寸、動態陷阱與寶珠分佈、可配置的獎勵結構，以及選擇性註解訓練數據追踪。