Stemrobo wurde entwickelt, um die STEM-Ausbildung durch einen praktischen Ansatz zu fördern, der es Schülern und Pädagogen ermöglicht, Roboter zu erstellen, zu programmieren und zu steuern. Es bietet eine benutzerfreundliche Schnittstelle, die die Nutzer durch verschiedene Projekte führt und Ressourcen und Unterstützung bereitstellt, um das Lernen in Wissenschaft, Technologie, Ingenieurwesen und Mathematik zu fördern. Mit Funktionen wie Programmierhilfe, Robotersimulation und Interaktion in Echtzeit macht Stemrobo komplexe Konzepte für Lernende jeden Alters zugänglich.

ePH-MAPF bietet eine effiziente Pipeline zur Berechnung kollisionsfreier Pfade für Dutzende bis Hunderte von Agenten auf gitterbasierten Karten. Es nutzt priorisierte Heuristiken, inkrementelle Suchtechniken und anpassbare Kostenmetriken (Manhattan, euklidisch) zur Balance zwischen Geschwindigkeit und Lösungsqualität. Nutzer können zwischen verschiedenen Heuristikfunktionen wählen, die Bibliothek in Python-basierte Robotiksysteme integrieren und die Leistung in Standard-MAPF-Szenarien benchmarken. Der Code ist modular und gut dokumentiert, was Forschern und Entwicklern erlaubt, ihn für dynamische Hindernisse oder spezielle Umgebungen zu erweitern.

VMAS ist ein umfassendes Toolkit zum Aufbau und Training von Multi-Agenten-Systemen mit Deep Reinforcement Learning. Es unterstützt GPU-basiertes Parallel-Rendering von Hunderten von Umgebungsinstanzen, ermöglicht Hochdurchsatz-Datensammlung und skalierbares Training. VMAS umfasst Implementierungen populärer MARL-Algorithmen wie PPO, MADDPG, QMIX und COMA sowie modulare Politik- und Umfeldschnittstellen für schnelle Prototypisierung. Das Framework erleichtert zentrales Training mit dezentraler Ausführung (CTDE), bietet anpassbare Belohnungsformung, Beobachtungsräume und Callback-Hooks für Logging und Visualisierung. Mit seinem modularen Design integriert sich VMAS nahtlos mit PyTorch-Modellen und externen Umgebungen und ist ideal für Forschung in kooperativen, konkurrierenden und gemischten Aufgaben in Robotik, Verkehrssteuerung, Ressourcenverwaltung und Spiel-KI-Szenarien.

Addoobot bietet eine leistungsstarke Plattform, auf der Benutzer verschiedene Roboter und KI-Tools aus der ganzen Welt erkunden, vergleichen und lernen können. Mit Fokus auf Zugänglichkeit und breit gefächerte Nützlichkeit hilft Addoobot Fachleuten, Akademikern, Forschern und Enthusiasten dabei, mit den neuesten Entwicklungen in der Robotik und KI in Verbindung zu bleiben. Von Industrierobotern bis hin zu Konsumrobotik, von Bildungstools bis zu Unterhaltungsrobotern bietet Addoobot einen Zugang zum Verständnis und zur Nutzung der Kraft der Robotik und künstlichen Intelligenz.

Aurora Innovation hat sich auf die Entwicklung bahnbrechender KI-Technologien für autonome Fahrzeuge spezialisiert. Ihre Systeme nutzen Deep Learning und Robotik, um Wahrnehmung, Planung und Steuerung zu verbessern, sodass Autos sicher und effizient unter verschiedenen Bedingungen navigieren können. Die Software von Aurora integriert sich in bestehende Fahrzeugplattformen und bietet den Herstellern einen zuverlässigen Weg zur Autonomie, während sie sich auf Tests in der realen Welt und die Sicherheit konzentrieren.

Embedded BDI stellt eine vollständige BDI-Lifecycle-Engine bereit: Es modelliert die Überzeugungen eines Agenten über seine Umgebung, verwaltet sich entwickelnde Wünsche oder Ziele, wählt Intentionen aus einer Plansammlung aus und führt Verhaltensweisen in Echtzeit aus. Das Framework umfasst Module für die Speicherung der Überzeugungsbasis, die Definition der Planbibliothek, Ereignis-Trigger und Nebenläufigkeitskontrolle, speziell für speicherbeschränkte Mikrocontroller. Mit einer einfachen API können Entwickler Überzeugungen kennzeichnen, Wünsche angeben und Pläne im Code implementieren. Der Scheduler übernimmt die Priorität der Intentionsausführung und integriert sich mit Hardware-Schnittstellen für Sensoren, Aktuatoren und Netzwerkommunikation, was es ideal für autonome IoT-Geräte, mobile Roboter und Industriecontroller macht.

VacuumWorld ist eine Open-Source-Simulationsplattform, die die Entwicklung und Bewertung von Multi-Agenten-Verstärkungslernalgorithmen erleichtert. Es bietet rasterbasierte Umgebungen, in denen virtuelle Staubsauger-Agenten operieren, um Schmutzpartikel in anpassbaren Layouts zu erkennen und zu entfernen. Benutzer können Parameter wie Rastergröße, Schmutzverteilung, stochastisches Bewegungsrauschen und Belohnungsstrukturen anpassen, um unterschiedliche Szenarien zu modellieren. Das Framework unterstützt integrierte Kommunikationsprotokolle für Agenten, Visualisierungs-Dashboards in Echtzeit und Logging-Tools für Leistungsüberwachung. Mit einfachen Python-APIs können Forscher ihre RL-Algorithmen schnell integrieren, kooperative oder wettbewerbsorientierte Strategien vergleichen und reproduzierbare Experimente durchführen, wodurch VacuumWorld ideal für akademische Forschung und Lehre ist.