CASA ist als modulares, Plug-and-Play-Autonomierahmenwerk konzipiert, das auf dem Robot Operating System (ROS) Ökosystem aufbaut. Es verfügt über eine dezentrale Architektur, bei der jeder Roboter lokale Planer und Verhaltensbaumnodes ausführt und auf eine gemeinsame Tafel für Weltstatus-Updates veröffentlicht. Die Aufgabenverteilung erfolgt über Auktionsbasierte Algorithmen, die Missionen basierend auf Roboterfähigkeiten und Verfügbarkeit zuweisen. Die Kommunikationsschicht nutzt Standard-ROS-Nachrichten über Multi-Robot-Netzwerke, um Agenten zu synchronisieren. Entwickler können Missionsparameter anpassen, Sensordrivers integrieren und Verhaltensbibliotheken erweitern. CASA unterstützt Szenariosimulation, Echtzeitüberwachung und Protokollierungswerkzeuge. Das erweiterbare Design ermöglicht Forschungsteams, mit neuen Koordinationsalgorithmen zu experimentieren und nahtlos auf diversen Roboterplattformen zu deployen, von unbemannten Bodenfahrzeugen bis zu Luftdrohnen.

AgentRpi verwandelt einen Raspberry Pi in ein Edge-AI-Agenten-Hub, indem es Sprachmodelle zusammen mit physischen Hardware-Schnittstellen orchestriert. Durch die Kombination von Sensoreingaben (Temperatur, Bewegung), Kamera-Feeds und Mikrofon-Audio verarbeitet es kontextbezogene Informationen durch konfigurierte LLMs (OpenAI GPT, lokale Llama-Varianten), um autonom Aktionen zu planen und auszuführen. Benutzer definieren Verhaltensweisen mit YAML-Konfigurationen oder Python-Skripts, die Aufgaben wie das Auslösen von Warnmeldungen, das Anpassen von GPIO-Pins, das Erfassen von Bildern oder das Reagieren auf Sprachbefehle ermöglichen. Seine plugin-basierte Architektur erlaubt nahtlose API-Integration, benutzerdefinierte Fähigkeiten und Unterstützung für Docker-Deployment. Ideal für energiearme, datenschutzsensitive Umgebungen gibt AgentRpi Entwicklern die Möglichkeit, intelligente Automationsszenarien zu prototypisieren, ohne ausschließlich auf Cloud-Dienste angewiesen zu sein.

AutoX hat sich auf die Entwicklung von KI-Systemen für autonome Fahrzeuge spezialisiert, einschließlich Echtzeit-Wahrnehmung und Entscheidungsfähigkeiten. Er integriert fortschrittliche Algorithmen, um Daten von verschiedenen Sensoren zu interpretieren, sodass das Fahrzeug komplexe Umgebungen navigieren kann. AutoX legt auch großen Wert auf Sicherheitsmerkmale und stellt sicher, dass das autonome System informierte Entscheidungen treffen kann, während es die Verkehrsregeln und -vorschriften einhält. Ziel ist es, das gesamte Fahrerlebnis zu verbessern, indem nahtlose, zuverlässige und benutzerfreundliche Lösungen für Passagiere und Flottenbetreiber bereitgestellt werden.

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.

AI Agent Ida nutzt maschinelles Lernen und Datenanalysen, um umsetzbare Erkenntnisse für Bohrvorgänge zu liefern. Durch die Verarbeitung enormer Datenmengen aus verschiedenen Quellen wie Sensoren und Feldberichten identifiziert Ida Muster, optimiert Bohrparameter und sagt Ausfälle von Geräten voraus. Dies ermöglicht den Teams datenbasierte Entscheidungen zu treffen, die die Effizienz steigern, Kosten senken und die Sicherheit vor Ort erhöhen.

Der KI-Agent von Luminar nutzt fortschrittliche LiDAR-Technologie und maschinelles Lernen, um die Fahrzeugwahrnehmung zu verbessern, Hindernisse genau zu identifizieren und die Entscheidungsfindung für sichereres autonomes Fahren zu optimieren. Er spielt eine entscheidende Rolle bei der Sensorintegration, um die Verarbeitung von Echtzeitdaten bereitzustellen und sicherzustellen, dass Fahrzeuge effizient durch komplexe Umgebungen navigieren können. Diese Technologie ermöglicht Herstellern den Einsatz autonomer Systeme, die die Sicherheitsstandards der Branche erfüllen und gleichzeitig eine optimale Leistung bieten.

Das Multi-Agent-basierte Such- und Rettungssystem in ROS ist ein Robotik-Framework, das ROS nutzt, um mehrere autonome Agenten für koordinierte Such- und Rettungsoperationen einzusetzen. Jeder Agent verwendet onboard-Sensoren und ROS-Themen für Echtzeit-Karten, Hindernisvermeidung und Zielerkennung. Ein zentraler Koordinator weist Aufgaben dynamisch zu, basierend auf dem Status der Agenten und Umweltfeedback. Das System kann in Gazebo oder an echten Robotern ausgeführt werden und ermöglicht Forschern und Entwicklern, die Zusammenarbeit mehrerer Roboter, Kommunikationsprotokolle und adaptive Missionsplanung unter realistischen Bedingungen zu testen und zu optimieren.

multiagent-golang bietet einen strukturierten Ansatz zum Aufbau von Multi-Agent-Systemen in Go. Es führt eine Agent-Abstraktion ein, bei der jeder Agent mit verschiedenen Sensoren ausgestattet werden kann, um seine Umgebung wahrzunehmen, und Aktuatoren, um Aktionen auszuführen. Agenten laufen gleichzeitig mit Go-Routinen und kommunizieren über dedizierte Nachrichtenkanäle. Das Framework umfasst zudem eine Umweltsimulationsebene für Ereignisse, Management des Agentenlebenszyklus und Zustandsüberwachung. Entwickler können Verhaltensweisen der Agenten leicht erweitern oder anpassen, Simulationsparameter konfigurieren und zusätzliche Module für Logging oder Analytik integrieren. Es erleichtert die Erstellung skalierbarer, gleichzeitiger Simulationen für Forschung und Prototyping.

RoboCup Rescue Agent Simulation ist ein Open-Source-Framework, das städtische Katastrophenumgebungen modelliert, in denen mehrere KI-gesteuerte Agenten zusammenarbeiten, um Opfer zu lokalisieren und zu retten. Es bietet Schnittstellen für Navigation, Kartierung, Kommunikation und Sensorschnittstellen. Benutzer können individuelle Agentenstrategien skripten, Batch-Experimente durchführen und die Leistungskennzahlen der Agenten visualisieren. Die Plattform unterstützt Szenarienkonfiguration, Protokollierung und Ergebnisauswertung, um die Forschung in Multi-Agenten-Systemen und Katastrophenreaktionsalgorithmen zu beschleunigen.