AutoDRIVE Cooperative MARL est un cadre hébergé sur GitHub, combinant le simulateur de conduite urbaine AutoDRIVE avec des algorithmes adaptables d'apprentissage par renforcement multi-agent. Il comprend des scripts d'entraînement, des wrappers d'environnement, des métriques d'évaluation et des outils de visualisation pour développer et benchmarker des politiques de conduite coopératives. Les utilisateurs peuvent configurer les espaces d'observation des agents, les fonctions de récompense et les hyperparamètres d'entraînement. Le dépôt supporte des extensions modulaires, permettant la définition de tâches personnalisées, l'apprentissage par curriculum et le suivi des performances pour la recherche sur la coordination des véhicules autonomes.

DeepMind MAS Environment est une bibliothèque Python fournissant une interface standardisée pour construire et simuler des tâches d'apprentissage par renforcement multi-agent. Elle permet aux utilisateurs de configurer le nombre d'agents, de définir les espaces d'observation et d'action, et de personnaliser les structures de récompense. Le framework supporte les canaux de communication entre agents, la journalisation des performances et les capacités de rendu. Les chercheurs peuvent intégrer sans problème DeepMind MAS Environment avec des bibliothèques RL populaires comme TensorFlow et PyTorch pour benchmarker de nouveaux algorithmes, tester des protocoles de communication et analyser les domaines de contrôle discret et continu.

DEf-MARL (Cadre d'exécution décentralisé pour l'apprentissage par renforcement multi-agents) fournit une infrastructure robuste pour exécuter et former des agents coopératifs sans contrôleurs centralisés. Il exploite des protocoles de communication peer-to-peer pour partager les politiques et observations entre agents, permettant une coordination par interactions locales. Le cadre s'intègre parfaitement avec des outils RL courants tels que PyTorch et TensorFlow, offrant des wrappers d'environnement personnalisables, la collecte distribuée de rollouts et des modules de synchronisation de gradients. Les utilisateurs peuvent définir des espaces d'observation, des fonctions de récompense et des topologies de communication spécifiques à chaque agent. DEf-MARL supporte l'ajout et la suppression dynamiques d'agents en cours d'exécution, une exécution tolérante aux fautes en répliquant des états critiques sur les nœuds, et une planification de communication adaptative pour équilibrer exploration et exploitation. Il accélère la formation par la parallélisation des simulations d'environnements et la réduction des goulets d'étranglement centraux, ce qui le rend adapté à la recherche MARL à grande échelle et aux simulations industrielles.

MADDPG-Keras offre un cadre complet pour la recherche en apprentissage par renforcement multi-agent en implémentant l'algorithme MADDPG dans Keras. Il supporte les espaces d'actions continues, plusieurs agents et les environnements standard d'OpenAI Gym. Les chercheurs et développeurs peuvent configurer les architectures de réseaux neuronaux, les hyperparamètres d'entraînement et les fonctions de récompense, puis lancer des expériences avec des journaux intégrés et un enregistrement des modèles pour accélérer l'apprentissage des politiques multi-agent.

Patrolling-Zoo offre un cadre flexible permettant aux utilisateurs de créer et d'expérimenter avec des tâches de patrouille multi-agent en Python. La bibliothèque inclut une variété d'environnements basés sur des grilles et des graphes, simulant des scénarios de surveillance, de contrôle et de couverture. Les utilisateurs peuvent configurer le nombre d'agents, la taille de la carte, la topologie, les fonctions de récompense et les espaces d'observation. Grâce à la compatibilité avec PettingZoo et les API Gym, elle supporte une intégration transparente avec des algorithmes populaires d'apprentissage par renforcement. Cet environnement facilite le benchmarking et la comparaison des techniques MARL sous des paramètres cohérents. En fournissant des scénarios standard et des outils pour en créer de nouveaux, Patrolling-Zoo accélère la recherche en robotique autonome, surveillance de sécurité, opérations de recherche et sauvetage, et couverture efficace des zones en utilisant des stratégies de coordination multi-agents.

L'environnement de recherche coopérative fournit un environnement d'apprentissage par renforcement multi-agent flexible et compatible gym, adapté aux tâches de recherche coopérative dans des espaces en grille discrète et en espace continu. Les agents fonctionnent sous observabilité partielle et peuvent partager des informations en fonction de topologies de communication personnalisables. Le cadre supporte des scénarios prédéfinis tels que recherche et sauvetage, suivi de cibles dynamiques, et cartographie collaborative, avec des API pour définir des environnements et des structures de récompense personnalisés. Il s'intègre parfaitement avec des bibliothèques RL populaires comme Stable Baselines3 et Ray RLlib, inclut des utilitaires de journalisation pour l’analyse des performances, et offre des outils de visualisation en temps réel. Les chercheurs peuvent ajuster la taille de la grille, le nombre d'agents, la portée des capteurs et les mécanismes de partage des récompenses pour évaluer efficacement les stratégies de coordination et benchmarker de nouveaux algorithmes.

MARO (Multi-Agent Resource Optimization) est un cadre basé sur Python conçu pour soutenir le développement et l'évaluation d'agents d'apprentissage par renforcement multi-agent dans des scénarios de chaîne d'approvisionnement, de logistique et de gestion des ressources. Il inclut des modèles pour la gestion des inventaires, la planification des camions, le cross-docking, la location de conteneurs, et plus encore. MARO offre une API d'agent unifiée, des trackers intégrés pour la journalisation des expériences, des capacités de simulation parallèle pour des entraînements à grande échelle et des outils de visualisation pour l'analyse de la performance. La plateforme est modulaire, extensible et s'intègre aux bibliothèques RL populaires, permettant une recherche reproductible et une prototypage rapide de solutions d'optimisation pilotées par l'IA.

Mava est une bibliothèque open-source basée sur JAX pour développer, entraîner et évaluer des systèmes d'apprentissage par renforcement multi-agent. Elle propose des implémentations préconstruites d'algorithmes coopératifs et compétitifs tels que MAPPO et MADDPG, ainsi que des boucles de formation configurables prenant en charge les flux de travail à nœud unique et distribués. Les chercheurs peuvent importer des environnements depuis PettingZoo ou définir leurs propres environnements, puis utiliser les composants modulaires de Mava pour l'optimisation de politique, la gestion du tampon de répétition et la journalisation des métriques. L'architecture flexible du cadre permet une intégration transparente de nouveaux algorithmes, espaces d'observation personnalisés et structures de récompense. En exploitant les capacités d'auto-vectorisation et d'accélération matérielle de JAX, Mava assure des expériences efficaces à grande échelle et un benchmarking reproductible dans divers scénarios multi-agent.

MGym est un cadre spécialisé pour créer et gérer des environnements d'apprentissage par renforcement multi-agent (MARL) en Python. Il permet aux utilisateurs de définir des scénarios complexes avec plusieurs agents, chacun disposant d'espaces d'observation et d'action personnalisables, de fonctions de récompense et de règles d'interaction. MGym supporte à la fois les modes d'exécution synchrones et asynchrones, fournissant des simulations d'agents parallèles et tournantes. Conçu avec une API semblable à Gym, MGym s'intègre parfaitement avec des bibliothèques RL populaires telles que Stable Baselines, RLlib et PyTorch. Il comprend des modules utilitaires pour le benchmarking des environnements, la visualisation des résultats et l'analyse des performances, facilitant une évaluation systématique des algorithmes MARL. Son architecture modulaire permet un prototypage rapide de tâches cooperatives, compétitives ou d'agents mixtes, permettant aux chercheurs et développeurs d'accélérer l'expérimentation et la recherche MARL.

Multi-Agent Miners offre un environnement de monde en grille où plusieurs agents mineurs autonomes naviguent, creusent et collectent des ressources tout en interagissant. Il supporte des tailles de carte configurables, le nombre d'agents et des structures de récompenses, permettant aux utilisateurs de créer des scénarios compétitifs ou coopératifs. Le framework s'intègre aux bibliothèques RL populaires via PettingZoo, fournissant des API standardisées pour les fonctions reset, step et render. Les modes de visualisation et le support de journalisation aident à analyser comportements et résultats, idéal pour la recherche, l'éducation et le benchmarking d'algorithmes en apprentissage par renforcement multi-agent.

multiagent-env est une bibliothèque Python open-source conçue pour simplifier la création et l’évaluation d’environnements d’apprentissage par renforcement multi-agent. Les utilisateurs peuvent définir des scénarios cooperatifs et adverses en spécifiant le nombre d’agents, les espaces d’action et d’observation, les fonctions de récompense et la dynamique de l’environnement. Elle supporte la visualisation en temps réel, un rendu configurable et une intégration facile avec des frameworks RL basés sur Python tels que Stable Baselines et RLlib. La conception modulaire permet de prototyper rapidement de nouveaux scénarios et de comparer aisément les algorithmes multi-agent.

Ce dépôt fournit une suite complète d'algorithmes d'apprentissage par renforcement multi-agent, comprenant MADDPG, DDPG, PPO et plus encore, intégrés avec des benchmarks standard tels que l'Environnement de Particules Multi-Agent et OpenAI Gym. Il comprend des wrappers d'environnements personnalisables, des scripts d'entraînement configurables, un enregistrement en temps réel et des métriques d'évaluation des performances. Les utilisateurs peuvent facilement étendre les algorithmes, les adapter à des tâches personnalisées et comparer les politiques dans des environnements coopératifs et adverses avec une configuration minimale.

multiagent_envs offre un ensemble modulaire d'environnements basés sur Python adaptés à la recherche et au développement en apprentissage par renforcement multi-agent. Il inclut des scénarios comme la navigation coopérative, la prédation, les dilemmes sociaux et des arènes compétitives. Chaque environnement permet de définir le nombre d'agents, les caractéristiques d'observation, les fonctions de récompense et la dynamique de collision. Le framework s'intègre facilement avec des bibliothèques RL populaires telles que Stable Baselines et RLlib, permettant des boucles d'entraînement vectorisées, une exécution parallèle et une journalisation facile. Les utilisateurs peuvent étendre des scénarios existants ou en créer de nouveaux via une API simple, accélérant l'expérimentation avec des algorithmes comme MADDPG, QMIX et PPO dans un environnement cohérent et reproductible.